机器学习介绍

本质：use data to slove problems（Training && Prediction）

收集数据-》准备数据：数据预处理 -》选择模型 -》训练 -》预测 -》超参数调整 =》评估

        1、训练阶段（Training）+ 预测阶段（Prediction）

                Data -> Training -> Model ->Prediction

                训练阶段：通过对数据的训练，创建一个预测模型并对其进行微调

                模型生成：预测模型可以从这些数据背后找出答案，帮我们解决问题

                预测阶段：通过测试集完成模型评估，从而了解模型在测试集中的有效性

                过程中预测模型会不断的改进和使用

      2、 End to End

                机器学习看作黑盒子

                数据-》model=》label 

       3、 机器学习的七部法

                收集数据-》准备数据：数据预处理 -》选择模型 -》训练 -》预测 -》超参数调整 =》评估

        4、机器学习训练过程

                如：f(x) = Wx + b

                机器学习的过程就是在搜索空间中对w和b进行搜索的过程，使得模型的准确率达到某个标准

                一个训练步骤（training step）称为一次迭代（一个epoch），目的在于更新权重和变量

                DATA  -> MODEL ->PREDICTION ->TEST ->DATA 

                通过多次迭代，模型中的参数不断进行更新，好比在数据中进行拟合

                当训练结束是可以使用模型对房价预测

        4、判断一个问题是分类，还是回归：输出的数据类型：离散 or 连续

              线性回归解决回归问题，逻辑回归解决分类问题

                LR线性回归：

线性回归

线性回归

                逻辑回归：使用sigmod函数，实际上是分类算法 

         5、机器学习评估

                选择一部分数据作为测试集（10%或20%）

        6、超参数调整

                我们还可以对模型中的参数进行调整，比如epoch的次数，学习率等

                这些参数通常被称为超参数。调整超参数的过程比起科学更像是艺术。这是实验性的过程，并很大程度上取决于具体的数据集、模型和训练过程

                 不同的超参数得到局部最优解

                参数和超参数区别：参数是模型内的，超参数是模型外的。超参数人工，参数 机器集资学习

         7、机器学习的模型

                分类算法（有监督学习）：C4.5，朴素贝叶斯（Naive Bayes），SVM，KNN，Adaboost，CART

                聚类算法（无监督学习）：K-Means，EM

                关联分析：Apriori

                连接分析：PageRank（网页排序）