跟博主一起学机器学习／AI／人工智能。应用在测试领域。仅作为个人笔记和总结。（第一天）

首先声明：本人从未接触过标题的内容。完全是从零开始学习，为了创造学习环境，已经辞去了工作，拒绝了多家offer，安心在家学习。作为ai领域的小白的饭饭现在和其他小白们一起一点点学习，学习过程中弯路必然很多，所以本文仅作为个人总结笔记，这样做的好处可以督促自己准时学习，而且不会太监，因为这个领域的难度是前所未有，如果不用此方法，很可能半途而废，不喜勿喷，大佬别来！我的理解肯定有不少错误的地方，这些会在之后理解后再加以改正。

1。第一天，首先准备pycharm和python3，为什么是python3,因为饭饭觉得既然是个新东西，肯定要用比较先进的py3，虽然之前自己一直是py2，但是为了以后少麻烦，这里就顺便一边学3一边学人工智能。

2。准备好一本教科书，名字是：机器学习实战。如果想一起学，肯定要跟着这本书一起看最好，很多名词我不会解释，书中网上都有呢。

3。开始正式记载学到的知识点。全都是第一人称在第一次读这本书的时候的思路思维过程。我会经常出现不懂，不明白等清空，这种可以很好拉近与读者距离，不会让读者觉得作者懂，自己不懂，没法继续学这种恐慌感。所以其实我们都不懂，跟着一起学就行了。最终肯定能到一个水平线上。

• 统计和分类很重要，对于一种鸟能自动识别出是什么品种，有4个特征和1个目标变量，这个目标变量就是我们要预测的最终结果，也就是鸟的品种，4个特征有体重，翼展长度，是否有脚蹼，后背羽毛颜色。也就是输入的数据。做这个系统的过程中需要准备俩套数据：1。训练用数据 2。测试用数据
• 最终的这个程序可能结果并不是人们看重的，反而是算法产生的所有结果或者算法本身更有趣，所以这些称为知识表示，可能是给你显示出个规则集合，也可能是一个概率分布图。
• 接下来任务是如何把算法变成一个可以实际运行的程序。机器学习除了分类这个功能外还有回归这个功能，暂时不明白是什么意思。
• 书上说回归主要用于预测数值型数据，如数据拟合曲线，目前看来都是一些高大上名词，我也不懂。分类和回归都属于监督学习。
• 对应的是无监督学习。这种没有类别信息，不会给定目标值，包含了聚类，密度估计。这里有几个名词，大家可以去看书上简介，反正我也看不懂
• 监督学习 用途：k邻近，线性回归，朴素贝叶斯，局部加权线性回归，支持向量机，ridge回归，决策树，lasso最小回归系数 等算法
• 无监督学习 用途：k-均值，最大期望算法，dbscan，parzen窗设计 等算法。
• 开始造一个东西之前。要按照这个步骤。先想好是要干什么，如果是要预测目标变量的值，就选监督学习，否则就是无监督学习。监督学习的话，需要确定目标变量类型，如果是离散型，就选分类算法，如果是连续型就选回归算法 无监督学习的话，需要确定是否要把数据划分成离散的组，简单就选聚类，如果还需要估计相似程度，就选密度估计。
• 然后就是要深层了解数据，找出特性。特征值是离散的还是连续的，特征值是否存在缺失，为什么缺失等等。
• 书上说没有最好的算法，都是往死里试错出来的。
• 算法各不相同，但是创建一个应用程序的步骤一样，接下来就讲怎么创建了。
• 分为几步：1。收集数据 2。准备输入数据 3。分析输入数据 4。训练算法 5测试算法 6。使用算法。其中45非常重要，但是如果使用的不理想，也有可能是数据问题，需要重来。
• 接下来就是说为什么要选python，除去书上说的原因外，我觉得还有俩点最重要：1。python简单上手快，我们可以把多出来的精力放在其他方面而不是语言本身。2。python比较火，网上都说python是未来ai的老大。
• 接下来就是第二天的内容了。需要用python实际去干活了。继续观看下一章吧