机器学习理论知识

1.含义：
 机器学习擅长从历史数据中学习规律。
2.机器学习研究的问题：
 回归，分类，聚类，降维。
3.回归
 机器需要对已有的数据进行拟合，再根据拟合出来的函数，对未来进行预测。
4.拟合
 寻找最优的光滑曲线，从整体上靠近已有的数据。
5.分类
 机器需要先找到已知分类的划分规则，再应用该划分规则对新的事物进行分类。
6.聚类
 研究如何对未分组的事物进行分组。根据事物之间的相似性，将事物划分为若干组，并加上标签。
7.降维
 研究如何提取数据中的关键信息。需要分析不同维度数据的重要程度。
机器学习分为监督学习和无监督学习
8.监督学习
 历史数据既有输入特征，又有输出结果。eg:回归(线性回归、保序回归)，分类(k近邻(KNN)、支持向量机、决策树和神经网络)
9.无监督学习
 历史数据仅包含输入特征。eg:聚类(K-Means聚类、谱聚类)，降维(主成分分析、线性判别分析)
10.机器学习产物
 图像识别是机器学习和图像处理技术相结合的产物
 语音识别是机器学习和语音处理技术相结合的产物
 精准定位是机器学习和定位技术相结合的产物
 内容推荐是机器学习和数据库技术相结合的产物
11.python
 基础数据类型、循环和条件判断、函数、类、模块等
 第三方库：numpy库：数值计算库、提供了向量和矩阵的相关操作
  scipy库：为科学和工程设计的库，提供统计、优化等方面的功能
  pandas库：强大的分析结构化数据的库，高性能矩阵运算、数据清洗
  matplotlib库：集成了多种可视化的库，可定制性强
  sklearn库：强大的机器学习算法库。是scipy库的扩展。