1.机器学习概论
1.python基础的准备
本课程拟采用Python做为机器算法应用的实现语言，所以请确保:
1）安装好Python开发环境， PyCharm 或 Anaconda等都可以，按个人习惯喜好。
2）基本库的安装，如numpy、pandas、scipy、matplotlib
3）具备一定的Python编程技能，如果不熟悉，可选择一个教程进行学习，Python简单好上手，资源也很丰富。
菜鸟教程 Python 3 教程 http://www.runoob.com/python3/python3-tutorial.html
廖雪峰的官方网站 Python3 https://www.liaoxuefeng.com/wiki/1016959663602400
2.本周视频学习内容：https://www.bilibili.com/video/BV1Tb411H7uC?p=1
1）P4 Python基础
2）P1 机器学习概论
机器学习是一门多领域交叉学科，涉及较多的数学知识，我们不做太多理论上的要求，如果有听不懂的地方，不要放弃，看一遍就有个印象。通过观看视频，大家对课程有个总体的认识。
建议大家边看边做笔记，记录要点及所在时间点，以便有必要的时候回看。学习笔记也是作业的一部分。
3.作业要求：
1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。
2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。
①切片可以下标索引，也可以T/F来索引
②数据清洗去重
③机器学习方法
3）什么是机器学习，有哪些分类？结合案例，写出你的理解。
机器学习（Machine Learning）是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演译。
目前机器学习主流分为：监督学习，无监督学习，强化学习。监督学习：监督学习可分为“回归”和“分类”问题。在回归问题中，我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来；而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。每个数据点都会获得标注，如类别标签或与数值相关的标签。一个类别标签的例子：将图片分类为「苹果」或「橘子」；数值标签的例子如：预测一套二手房的售价。监督学习的目的是通过学习许多有标签的样本，然后对新的数据做出预测。例如，准确识别新照片上的水果（分类）或者预测二手房的售价（回归）。无监督学习：在无监督学习中，我们基本上不知道结果会是什么样子，但我们可以通过聚类的方式从数据中提取一个特殊的结构。在无监督学习中给定的数据是和监督学习中给定的数据是不一样的。数据点没有相关的标签。相反，无监督学习算法的目标是以某种方式组织数据，然后找出数据中存在的内在结构。这包括将数据进行聚类，或者找到更简单的方式处理复杂数据，使复杂数据看起来更简单。强化学习：Alphago用的就是强化学习，强化学习是一种学习模型，它并不会直接给你解决方案——你要通过试错去找到解决方案。强化学习不需要标签，你选择的行动（move）越好，得到的反馈越多，所以你能通过执行这些行动看是输是赢来学习下围棋，不需要有人告诉你什么是好的行动什么是坏的行动。给我影响最深的就是参加混沌大学的线下课，是AI的重量级人物Michael I. Jordan讲的，其中有一段视频是一个模拟的人，利用强化学习的算法，从站不起来到最后能够正常跑步的过程，而且真正实现的代码连100行都不到，一页ppt而已。总结：目前用到最多是监督学习和无监督学习，尤其是监督学习，因为应用场景多能给公司创造直接价值，如果找工作可以多关注。但是强化学习是未来，因为能学习到的能力没有数据限制。...