什么是机器学习

• 定义: 机器学习是从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测
• 通俗上讲:就是让机器去学习,让机器去执行
• 学习的目的是"减熵"(热力学第二定律:一个孤立的系统倾向于增加"熵")

机器学习的必要性

• 很多软件无法靠人工编程来解决,如:自动驾驶、计算机视觉、自然语言处理

比如说：鸢尾花的识别难以用人工编程（特性很多）

sklearn中提供了该数据集，主要内容有

150个样本数据

四个Attribute：

• sepal length in cm
• sepal width in cm
• petal length in cm
• petal width in cm

class：

• Iris-Setosa
• Iris-Versicolor
• Iris-Verginica
  

数据

萼片长度	萼片宽度	花瓣长度	花瓣宽度	种类
5.1	3.5	1.4	0.2	se(0)
7.0	3.2	4.7	1.4	ve(1)
6.3	3.2	6	2.5	vi(2)

• 数据的整体叫做数据集（dataset）
• 每一行数据称作一个样本（sample）
• 每一列就是一个样本的特征（feature）
• 最后一列是标记（label）

前面的特征我们一般用X表示（矩阵），后面用y表示（向量）
每一行可以表示为特征向量

机器学习的基本任务

根据学习的任务模式 (训练数据是否有标签)，机器学习可分为四大类：

• 有监督学习 (有标签)
• 无监督学习 (无标签)
• 半监督学习 (有部分标签)
• 增强学习 (有评级标签)

深度学习只是一种方法，而不是任务模式，因此与上面四类不属于同一个维度，但是深度学习与它们可以叠加成：深度有监督学习、深度非监督学习、深度半监督学习和深度增强学习。迁移学习也是一种方法，也可以分类为有监督迁移学习、非监督迁移学习、半监督迁移学习和增强迁移学习。

监督学习（分类和回归）

在监督学习中，数据 = (特征，标签)，而其主要任务是分类和回归。以NBA球员詹姆斯的个人统计为例

分类

如果预测的是离散值 (discrete value)，例如比赛结果赢或输，此类学习任务称为分类 (classification)。

如果预测的是连续值 (continuous value)，例如詹姆斯效率 65.1, 70.3 等等，此类学习任务称为回归 (regression)。

总结： 监督学习给机器的训练数据拥有"标记"或者"答案"
监督学习 (supervised learning) 利用输入数据及其对应标签来训练模型。这种学习方法类似学生通过研究问题和参考答案来学习，在掌握问题和答案之间的对应关系后，学生可自己给出相似新问题的答案了。

更多分类任务举例：

当输出变量取有限个离散值时，预测问题变成为分类问题

二分类（两个类别中选择一个作为预测结果）

• 给定的图片只有猫和狗，判断是猫还是狗
• 判断是否是垃圾邮件
• 银行判断给客户发放信用卡是否有风险
• 判断病患是良性肿瘤还是恶性肿瘤
• 量化交易中判断某只股票的涨跌

多分类

• 手写数字识别（识别0~9）
• 复杂图像识别（猫狗鸟）
• 信用卡风险等级

多标签分类（复杂机器学习算法））

回归（用于预测输入变量和输出变量之间的关系，输出是连续型的值）

结果是一个连续数字的值，而非类别

• 房价预测：面积，地点，卧室数量，房龄。。。。
• 股票的价格
• 市场分析（双十一某个店铺卖多少货 ）

无监督学习

无监督学习 (unsupervised learning) 是找出输入数据的模式。比如，它可以根据电影的各种特征做聚类，用这种方法收集数据为电影推荐系统提供标签。此外无监督学习还可以降低数据的维度，它可以帮助我们更好的理解数据。

在无监督学习中，数据 = (特征，)。
除了根据詹姆斯个人统计来预测骑士队输赢或者个人效率值外，我们还可以对该数据做聚类 (clustering)，即将训练集中的数据分成若干组，每组成为一个簇 (cluster)。

假设聚类方法将数据聚成二个簇 A 和 B，如下图

后来发现簇 A 代表赢，簇 B 代表输。聚类的用处就是可以找到一个潜在的原因来解释为什么样例 1 和 3 可以赢球。难道真的是只要詹姆斯三双就可以赢球？

其他角度分类：

批量学习和在线学习
参数学习和非参数学习

开发环境

anaconda（开源的Python包管理器）

下载地址 https://www.anaconda.com
Anaconda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换

IDE(集成开发环境) JupterNoteBook 交互式开发环境

• 基本操作（新建python文件。。。）
• 快捷键