一、什么是机器学习？

1. 定义

机器学习是从数据中自动分析获得模型，并利用这个模型对未知数据进行预测。

2. 解释

机器学习的思路，简而言之就是模仿人类学习的过程。
人类认知这个世界的过程是：根据以往的经验分析归纳总结出规律，从而去分析现实的状况。
机器学习的过程是：根据以往的数据（其实这里就需要把人的经验量化为数据）进行分析得到模型，从而去分析现实的状况。

3. 数据集

从上面的描述我们可以看出，数据对于机器学习拥有非常重要的意义。那么，我们该如何从历史数据中获得规律呢？这些历史数据的格式是怎样的呢？

数据的结构：特征值+目标值

比如这个图，数据就有4个特征（面积、位置、楼层、朝向）。
一行数据我们称之为一个样本。
有些数据可以没有目标值（一般是分类问题）。

二、机器学习算法分类

• 分类问题（监督学习） （有特征值和目标值，而且要分清楚类别（离散））,算法一般是K近邻，贝叶斯分类、决策树与随机森林、逻辑回归。
• 回归问题 （监督学习）（有特征值和目标值，目标值是连续型数据，回归问题），算法一般是线性回归、岭回归。
• 无监督学习 （数据集当中无目标值， 这类问题叫无监督学习），算法一般是聚类 k-means.

1. 练习

预测明天气温 – 回归问题
预测明天是阴天还是晴天？ --分类问题
人脸年龄预测 – 分类/回归
人脸识别 – 分类

三、机器学习开发流程

1. 获取数据
2. 数据处理
3. 特征工程（分为训练数据和测试数据）
4. 机器学习算法训练 – 得到模型
5. 模型评估，如果评估不通过，则重复2-5。
6. 应用

四、学习框架和资料

会用算法，会处理数据，能干活就行了。
工作内容：

• 分析很多数据
• 分析具体的业务
• 应用常见的算法
• 特征工程、调参、优化

用什么框架？ – sklearn(机器学习框架).