机器学习实战第1章知识点

1.  机器学习的工程化概念：一个计算机程序利用经验E来学习任务T，性能是P，如果针对任务T的性能P随着经验E不断增长，则称为机器学习

        它会根据在自己算法的训练基础上建立自己的逻辑

        比如说：有一种分类算法，分类算法可以用来将垃圾分类，不用修改代码，他也可以识别出是可回收垃圾还是有害垃圾，如果用这同样的一类算法，他可以通过训练集来不断提高自己的分类正确率，减少失误率。

1. 机器学习系统可分为以下四个主要类别：

   有监督学习、无监督学习、半监督学习和强化学习。

监督学习：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程

可以用一句话来解释，你已经知道了问题的答案，然后找出你解题的逻辑

 比方说：下图的题已经有了答案，但是却掠去了算数符号， 将下图中的算术题填上算数符号，

这样的学习方式称作监督学习。

无监督学习：根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题

比方说，一堆苹果，他们有的大，有的小，有的红润，有的发青，即使你不知道哪个更好吃，你也可以判断出哪个苹果是更加受人喜欢的，从而卖出不一样的价格。这种过程称为无监督学习

1. python语言在机器学习中的优势：

    

   　　Python语言使用广泛，代码范例很多，便于读者快速学习和掌握。在开发实际应用中也可以利用丰富的模块库缩短开发周期。Python的语言设计在机器学习中很有帮助的另外一个关键因素是，它提供了高层的、基于对象的任务抽象。

   　　Python提供大量机器学习的代码库和框架，在数学运算方面有NumPy、SciPy，在可视化方面有MatplotLib、SeaBorn，结构化数据操作可以通过Pandas，针对各种垂直领域比如图像、语音、文本在预处理阶段都有成熟的库可以调用。Python的代码库生态系统可以让你在工作空间内，简单地的通过一行命令安装很多的这些框架，而这是许多机器学习框架所必须的。

   　　Python在机器学习领域大放异彩的不仅是某个功能，而是Python整个语言包：它是一种易学易用的语言，它的生态系统拥有的第三方代码库可以涵盖广泛的机器学习用例和性能，可以帮助你很好地完成手头的工作。

               Python具有清晰的语法结构，语言和操作文本文件非常简单，非常易于非数值型数据。         他还提供了丰富的正则表达式函数以及很多访问Web页面的函数库，使得从HTML中提取数据变得非常简单直观。