靓仔的Python机器学习入门笔记1.0

什么是机器学习？

机器学习概述

1.1人工智能概述：

		达特茅斯会议-人工智能的起点
		机器学习是人工智能的一个实现途径
		深度学习是机器学习的一个方法发展而来

1.1.2 机器学习、深度学习能做些什么

		传统预测
		图像识别
		自然语言处理

1.2 什么是机器学习？

数据
模型
预测
从历史数据当中获得规律？这些历史数据是怎么的格式

1.2.3 数据集构成

特征值 + 目标值

1.3 机器学习算法分类

监督学习（预测）：
	定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或是输出是有限个离散值（称作分类）。
	分类： k-临近算法、贝叶斯分类、决策树与随机森林、逻辑回归
	回归： 线性回归、岭回归
	
	目标值：类别 - 分类问题 
	目标值：连续型的数据 - 回归问题
	
目标值： 无 - 无监督学习：
	定义：输入数据是由输入特征值所组成

例子：
1.预测明天的气温是多少度？
	答：目标值：天气的温度，属于监督学习、回归问题
2.预测明天是阴、晴、还是雨？
	答：目标值：天气状况，属于监督学习、分类问题
3.人脸年龄预测？
	答：目标值：年龄，属于监督学习，回归问题，如果目标值是幼年、青年、中年、老年 则是分类问题。
4.人脸识别？
	答：目标值：是否是人，属于监督学习，分类问题

1.4 机器学习开发流程

1）获取数据
2）数据处理
3）特征工程
4）机器学习算法训练 - 模型
5）模型评估
6）应用

1.5 学习框架和资料

	1) 算法是核心 数据与计算是基础
	2) 找准定位
		分析很多的数据
		分析具体的业务
		应用常见的算法
		特征工程、调参数、优化
	3) 怎么做？
		1.入门
		2.实战类书籍
		3.机器学习 - 周志华（西瓜书）
			统计学习方法 - 李航
			深度学习 - “花书”

1.5.1 机器学习库与框架

1.5.2 书籍资料

1.5.3 提升内功（但不是必须）