01、机器学习概述
机器学习的定义：
机器学习的核心思想是使用数据来训练计算机算法，使其能够自动地从数据中学习并改进自己的性能，而无需明确地编程。
机器学习的算法：
- 监督学习（Supervised Learning）——用的最广泛的算法
- 无监督学习（Unsupervised Learning）
- 强化学习（Reinforcement Learning）
监督学习（Supervised Learning）：
学习从x（input）到y（output）的映射算法，其中最关键的特征是，由我们去提供学习算法的示例以供学习。（Learning from being given “right answers（output labels）”）
在训练完成后，能够通过我们给出的一个未曾见过的x（input），其会尝试生成一个合理的y（output）。
监督学习得到应用场景主要有两个：
回归（Regression）：
从许多可能的结果中预测一个数据（Predict a number infinitely many possible outputs）
分类（Classification）:
输出类（class）和输出类型（category）经常互换使用。
预测输出类别（可以不是数字，也可以是数字），所有一小部分可能的产出。（Predict categories small number of possible outputs）。
输入值（inputs）可以为多个参数，也可以仅有一个。（Two or more inputs的话，算法可能做的是去拟合一条边界线）。
无监督学习（unsupervised learning）：
从没有标签的数据集中寻找感兴趣的部分（Find something interesting in unlabeled data.），即寻找数据有可能存在的结构和模式。
更为正式的定义：
数据只来自输入且不输出标签，算法只寻找数据间的结构（Data only comes with inputs x, but not output labels y. Algorithm has to find structure in the data.）
无监督学习得到应用场景主要有两个：
聚类（Clustering）：
获取没有标签的数据，并尝试自动将他们分组到集群中。(Group similar data points together.)
异常检测（Anomaly detection）：
检测异常数据（Find unusual data points.）
降维（Dimensionality reduction）：
压缩数据集（Compress data using fewer numbers.）
Jupyter Notebooks
学习机器学习的工具。
)
