机器学习-概述与贝叶斯算法

1. 机器学习的一般步骤：数据搜集、数据清洗、特征工程、数学建模。
2. 数据划分：训练集、验证集、测试集。
3. K折交叉验证：解决数据量不够大问题，解决参数调优问题。
4. 深度学习不用做特征工程，传统机器学习要。
5. 损失函数，优化算法。
6. 评价指标、混淆矩阵、准确率、精确率、召回率、F1 score。
7. 机器学习分类：监督学习（分类、回归）、无监督学习（聚类、降维）、强化学习。
8. 希腊字母发音：
9. 先从导包学起，再考虑自己写个包出来。

有监督学习算法-朴素贝叶斯

1. 用先验概率求后验概率
   $$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$$
2. 解决问题：求一句话是某种类型的概率，求用户输入的拼音是否个词的概率
3. 已经特别成熟了，不要作为研究的、优化的算法，并且初学运算过程不用理解的特别详细。