【机器学习概论】

机器学习

数据挖掘——挖掘流失的用户，提供一些优惠活动。
计算机视觉——自动驾驶
公司待遇不错的，高出传统岗位，核心竞争力比较高；
推荐系统+机器学习科学家+知道如何提取特征？
1）训练样本，机器学习数据
2）特征提取，人工标注（如何提取正确特征很关键）
3）学习函数，如何画线，区分不同类型
4）预测

基本工具库

Numpy :科学计算库
Pandas: 数据分析处理库，帮助便利完成数据分析处理
Matplotlib: 数据可视化库，画图操作
Scikit-learn : 机器学习库

线性回归

有监督问题（label 标签值，有标签的问题）
无监督问题
回归——具体的数目
分类——分成大类
标签值，进行预测的真实的值
预测值，
误差，
模型的泛化能力是正常的。
误差独立同分布，服从均值为0的方差为θ2的高斯分布（指定均值和方差）
似然函数（什么样子的变量组合最好，对于所有的样本，似然函数最大，概率值越大）

使得求解更加容易，求解对数，乘法变加法，将解进行转化，求解预测和真实值差值，似然函数最大值。
目标函数求解最小值；

逻辑回归（分类的算法）

将一个数映射到一个【0,1】区间上的数字，一个值映射成一个概率值，对于预测值得出一个值，回归，进行分类的话，传回进行分类。最经典的二分类问题，解决具体问题；
将线性回归的函数进行一个变换

梯度下降法（最优化求解）

直接求偏导，求出一个结果的值，狠多情况下不可求逆的，不见得对于所有问题的导数求解出来的，一个优化的方法进行求解。不断给机器喂数据，一个迭代，不断优化的过程，最终是为了寻找一些参数的，最佳表达模型。

损失函数的评价标准，样本的评价标准，去除样本数量的因素；