机器学习实战这本书介绍了常用的算法，以及针对算法做出的实例讲解，内容详实且有针对性，现根据书中所讲所学记录学习过程。
本节目标：
理解机器学习的概述
熟悉机器学习的任务
明确学习它的理由
实现机器学习的python
概述
机器学习：简单点说就是把无序的数据转换成有用的信息。具体怎么转换就是机器学习的手段问题，后面一一讲解。
与机器学习练习紧密的几个学科：统计学、概率论、线性代数（尤其是矩阵）。数学的地位尤其重要。
机器学习的任务
说到底机器学习的主要任务就是用来做分类用，至于后面讲到的聚类，关联分析等不及分类的应用广泛
机器学习的另一个任务是回归，预测数值型数据，跟分类归属于监督学习，与之相对应的就是无监督学习
总体来说机器学习的任务如下，对应的算法也如表所述
| 监督学习的用途 | ||
| k-近邻算法 | 线性回归 | |
| 朴素贝叶斯算反 | 局部加权线性回归 | |
| 支持向量机 | Ridge回归 | |
| 决策树 | Lasso最小回归系数估计 | |
| 无监督学习的用途 | ||
| k-均值 | 最大期望算法 | |
| DBSCAN | Parzen窗设计 |
算法没有最好的，只有最合适的，机器学习的问题是要找到适合的那个算法
机器学习算法使用的通用步骤
收集数据（爬虫、设备实测数据、数据库）；准备输入数据（数据格式）；分析输入数据（数据处理阶段）；训练算法（对前面的数据输入到算法，抽取知识或是信息，无监督学习不需要这个步骤）；测试算法（即所谓的评估算法的有效性）；使用算法（将机器学习算法转换为应用程序，执行实际任务）
python
语法清晰简单；易于操作纯文本文件；使用广泛，存在大量的开发文档（Numpy，Scipy等函数库）
学习机器学习的理由
能够使我们构造的鸟类识别专家系统智能的识别鸟，医生专家系统智能的诊断疾病，交通专家系统智能的管理交通，更少的减少人力物力，降低重复性劳动
版权声明：本文为oMoLin1原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。