机器学习 基本认知框架（碎碎念版）

• 机器学习（多应用于数据挖掘、计算机视觉、自然语言分析处理、疾病诊断、图像识别、机器人等领域）， 目标 使用可以自动学习的算法，从数据中自动分析获得规律，并利用规律对未知数据进行预测。
• 经典方法：监督学习、半监督学习、无监督学习和强化学习（实际应用中的可实现性不高，目前多在于理论研究）
• 数学基础、编程基础（python、数据结构）、算法、开发框架
• 一般流程：收集数据、数据预处理、分析输入数据、使用样本数据训练和测试算法、应用算法
• 数据和数据集（开源和自己搞钱）
• 数据预处理（D掉大部分的无效或不规范数据）：数据清理、数据集成和融合、数据变换（降维）、数据规约（减少数据存储空间的同时保证数据的完整性，维度规约、数量规约、数据压缩）
• 经典算法：回归（线性回归）、分类（逻辑回归、K-近邻、朴素贝叶斯决策树、SVM）、聚类(k-Means)、关联分析(FP-growth、Apriori)、降维（主成分分析 PCA）
• 人工神经网络和深度学习