感谢黄海光教授无私开源！！！
机器学习概述
个人定义
机器根据数据修炼模型，依靠模型预测未来的方法
要认识的大佬
国内的
李航-统计学习方法
周志华-西瓜书
应用领域
- 模式识别
- 数据挖掘
- 计算机视觉
- 语音识别
- 统计学习
- 自然语言处理
机器学习的类型
内容太多！【传送门】
大致有：
- 是否在人类监督下学习（监督学习、非监督学习、半监督学习和强化学习）
- 是否可以动态的增量学习（在线学习和批量学习）
- 是简单的将新的数据点和已知的数据点进行匹配，还是像科学家那样对训练数据进行模型检测，然后建立一个预测模型（基于实例的学习和基于模型的学习）
机器学习的背景知识
永远不会读的希腊字母
永远学不会的数学基础
-
高等数学-导数、微分、泰勒公式
-
线性代数-向量、矩阵、行列式、秩、线性方程组、特征值和特征向量
【如何通俗易懂地解释「范数」？】
可以不用看！ l 2 l_2 l2?就是向量或者矩阵的元素平方在开根号
- 概率论与数理统计-随机事件和概率、概率的基本性质和公式、常见分布、期望、协方差
环境差不多就是三件套！
Anacond+Jupyter notebook + Pycharm
以前的博客里面有写
推荐一下黄老师的【传送门】
Python的主要数据类型
- 字符串
- 整数与浮点数
- 布尔值
- 日期时间
- 其他
Python的主要数据类型
- 列表list[]
- 元组tuple()
- 集合set()
- 字典dict{}
python控制流
- 顺序结构
- 分支结构
- 循环结构
- break、continue和pass
- 列表生成式
python函数
- 调用函数
- 定义函数 def 函数名()：
- 匿名函数lambda
python模块
- pandas
- numpy
- scipy
- matplotlib
- scikit-learn
机器学习的开发流程
一般步骤
我觉得这点体现得很好
我们在遇到新的问题时，常常会抽取我们大脑的知识储备，根据以往经验做出决策和判单
机器亦如此，面对新的输入数据，通过历史数据训练好模型，预测未来
常见步骤：
- 数据收集
- 数据清洗
- 特征工程
- 数据建模
黄老师的总结太精妙！！！
不经意间笑出giegie声
黄老师说：
成功的机器学习应用不是有用最好的算法，而是拥有最多的数据！