机器学习流程图

第一部分：课程使用的技术栈

（1）Numpy

科学计算基础库，矩阵运算，线性代数

（2）matplotlib

绘图库，数据可视化

（3）Scikit

封装了各种分类，回归和聚类的算法（有的还含有数据集）

第二部分：软件

（1）jupyter

基于网页的交互式编译器（跟微信有点像，你发一句，他回你一句）

代码可以按行执行

（2）pycharm

常规的python编程软件

（3）Anaconda

集成开发环境，类似一个“应用商店”，万花筒

第三部分：机器学习要研究的东西

（1）分类

二分类，多分类，多标签分类

（2）回归

Regression（预测），线性回归，多项式回归，逻辑回归

（3）分类和回归之间的关系

分类可以将回归模型离散化，回归也可以将分类模型连续化

第四部分：机器学习的分类