前言
“机器学习”系列将记录笔者在机器学习以及数据发掘算法学习过程中的一些学习笔记和心得体会，本文内容是笔者对于史卫亚教授编著的《Python3数据分析与机器学习实战》一书的学习笔记总结，与诸君共勉。
机器学习是什么？
Machine Learning，应用计算机模拟或完成人类的行为，就像人类一样经过学习获得新技能等等。
机器学习与过往的计算机工作的区别
- 传统的计算机假如想要得到某一个结果，需求人类赋予它指令，然后计算机按照指令执行即可得到结果；机器学习虽然仍需求人类赋予它指令，但这串指令不能通向最后的结果，这串指令是人类赋予它的学习才能，计算机需求运用它的学习才能，不断从数据中提取新数据，最后得出结果；
- 传统的计算机强调因果关系，而机器学习更推崇相关关系。
根据学习方式的不同，机器学习可分为三类
监督学习
- 训练集要包括输入和输入，即特征和目的；
- 次要运用于分类和回归；
- 包括：k-近邻、决策树、朴素贝叶斯、logistic回归、支持向量机、AdaBoost算法、线性回归、部分加权线性回归、收缩和树回归；
- 总结：需求提供数据特征及数据类别，次要用于预测和分类。
非监督学习
- 训练集只包括事物的特征，只提供输入数据，经过算法让机器学习，停止自我归纳，以达到同组的事物非常接近，不同组的事物特征相距很远的结果；
- 包括：k-均值、Apriori、FP-Growth；
- 总结：提供数据特征，不提供数据类别，次要用于发现事物内在结构。
加强学习
- Reinforcement Learning，又称强化学习；
- 加强学习是从环境形状到动作的映射的学习，这个映射称为策略，最终加强学习是学习到一个合理的策略；
- 加强学习是试错学习，不断调整策略以获得最优解；
- 包括：动态规划、马尔可夫决策过程；
- 总结：在学习过程中给根据外部形状实时调整本人的策略，次要用于途径规划。
发展阶段
1、人工智能
1956年，在Dartmouth Conference上初次提出这个概念
2、机器学习
机器学习是人工智能的核心
3、深度学习
是机器学习不断繁荣的产物。深度学习源于人工神经网络（Artificial Neural Networks是早期机器学习专家提出的一种算法），是经过组合低层特征构成愈加笼统的高层表示属性类别或特征，以发现数据的分布式特征表示。 |
