机器学习（1）：机器学习基础

深度学习的第一步从机器学习开始！

机器学习就是把无需的数据转换成有用的信息！！！

机器学习的数据一般称为特征值

特征值分类：数值型（一般是十进制数字）、二值型（0或1）、枚举类型

机器学习的主要任务就是分类！！！

目标变量是机器学习算法的预测结果，在分类算法种目标变量的类型通常是标称型的，而在回归算法种通常是连续型的。训练样本集必须知道目标变量的值，以便机器去学校算法可以发现特征和目标变量之间的关系

为了测试机器学习学习算法的效果，通常使用两套独立的样本集：训练数据和测试数据（当机器学习程序开始运行的时候，使用训练样本集作为算法的输入，训练完成后输入测试样本。输入测试样本时并不提高样本的目标变量，由程序决定样本属于哪个类别。比较测试样本预测的目标变量值与实际样本类别之间的差别，就可以得出算法的实际精确度）

机器学习分类：

• 分类和回归属于监督学习I（这类算法必须知道预测什么，即目标变量的分类信息）
• 无监督学习不好给定目标值，在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被称为聚类；将寻找描述数据统计值的过程称之为密度估计。

如何选择合适的算法？

• 如果目标变量是离散型，选择分类算法
• 如果目标变量是连续型，选择回归算法
• 如果不想预测目标变量的值，可以选择无监督算法，进一步分析是否需要将数据划分为离散的组。如果这是唯一的需求，使用聚类算法；如果还需要估计数据与每个分组的相似程度，则需要使用密度估计算法。

开发机器学习的步骤：收集数据、准备输入数据、分析输入数据、训练算法、测试算法、使用算法。

编程基础：Python语言，numpy库（如果有时间的话可以了解一下C++/C语言）

编写代码环境（我推荐jupyter notebooks）

// 安装 jupyter库
pip intall jupyter
// 打开 jupyter
jupyter notebooks

新建一个.ipynb文件