一、何为机器学习(Mechine Learning)？

答：利用已有数据(经验)，来训练某种模型，利用此模型来预测未来。机器学习是人工智能的核心Mechine Learning。
例如：你和狗蛋儿7点在老槐树下集合，如何一块约去开黑，前两次狗蛋儿都7点10分才到。这两次狗蛋晚到10分钟就是经验。之后你会通过自己的经验判断，下次你会不会出发时晚10分钟，从而利用这10分钟干些有意义的事情。
对于机器学习而言就是拟人，让机器像人一样具备学习能力。7点集合这人来说是经验，此时需要将转化为数据给计算机，
人是可以通过自己的思维方式来进行做出判断，下次狗蛋儿会不会还晚到10分钟；对于计算机而言则是通过算法来进行判断。
计算机将一系列的数据通过自己的算法来训练出某种模型，通过训练出来的模型来预测未来，判断狗蛋儿下次是否还会晚到10分钟。这里的是否会晚到10分钟就是个二分类的问题，机器会求出一个概率，通过probably来进行判断。
在机器学习中，数据为王。数据得多、好，最后的预测才会越准。

例如：y = a*x + b
y1,x1，y2,x2就可以等价于是数据
a，b就是要求解的参数
预测就是当新的x代入到公式中去，求得y预测结果

机器学习的目的是生成模型
数据挖掘的目的是生成指标

机器学习分为两大类：

Ⅰ有监督的机器学习（y是已知的，且正确，提前有正确的结果）

①回归：y的区间是正无穷到负无穷
预测的结果是一个具体的值
例如：股票会涨，涨多少？20%、35%

②分类：y是一个分类号
预测的结果是具体哪一个类别
例如：NBA总决赛湖人是否会夺冠？会、不会

Ⅱ无监督的机器学习（y是未知的，没有正确的结果）

①聚类：在没有正确答案y的情况下，把数据分类成一堆一堆的，物以类聚人以群分。
通过x1、x2、x3…xn的维度，把相近、相似的分为一类

②降维：当x1、x2、x3…xn，其中n特别大的时候，为了更快的解方程组，减少x的数量。

二、对应关系

模式识别 = 机器学习
数据挖掘 = 机器学习 + 数据库
统计学习 ≈ 机器学习
计算机视觉 = 图像处理 + 机器学习
语音识别 = 语音处理 + 机器学习
自然语言处理 = 文本处理 + 机器学习

三、常用的框架

常见的框架	解释
numpy	数学计算框架
scipy	物理计算框架
pandas	数据分析框架
matplotlib	绘图框架
scikit-learn	机器学习框架
tensorflow	Google的开源深度学习框架
keras	开源的深度学习框架

tensorflow 和 keras 类似 numpy 和 scipy 的关系

四、有监督机器学习流程

有监督学习：数据中得包含x和最后的结果y。将数据分为两部分，TrainSet和TestSet，其中TrainSet是用于训练的数据集；TestSet为测试用的数据集，机器训练阶段不会遇见，也成为新数据集。
有监督的机器学习主要的有分类、回归这两大类的应用。
将训练集数据代入相应的算法(公式)中得到对应的模型(参数)。有了模型之后，将测试集数据带入模型中，得到预测的结果，并与测试集中的数据结果进行比较评估即可。

五、有监督机器学习训练流程

六、scikit-learn库

SK-Learm