1.欢迎学习机器学习（machine learning）

1.什么是机器学习

1.应用：图片、语音识别，垃圾邮件检测，诈骗检测，股票市场，教计算机下棋，自动驾驶汽车
2.人和机器的不同，人可以从过去的经验中进行学习，而机器只能执行编写好的代码

定 义:教会计算机利用过去的经验来完成指定的任务。过去的经验，记录的数据，训练集

2.常见的机器学习算法

• 决策树

  比如根据对用户下载的app分析数据，然后对不同的用户，推荐不同的app

• 朴素贝叶斯

  垃圾邮件分类器，通过对垃圾邮件内容分析，归纳出几个代表垃圾邮件的特征词语，使用朴素贝叶斯概率算法，选出最可能是垃圾邮件的数据

• 线性回归

  根据房屋的面积来预测房价是多少。划出一条直线，曲线来拟合
  利用梯度下降：在山上，不停的望，寻找最低点，下降

• 对数几率回归

  逻辑回归，大学录取，查看学生的在校成绩，入学考试两方面考虑。划出一条直线，让错误划分的点最少—代表错误数目的对数损失函数，不停的调整线的角度，找出所有错误点带来误差之和，选出最小误差的那条
  利用梯度下降：在山上，不停的望，寻找最低点，下降

• 支持向量机svm

  在一个面上，用一条直线，划分2类点，让靠近这条的线的点，到这条线的距离最大化，也用到梯度下降。
  和逻辑回归相比，更加注意直线分类两侧的点

• 核函数方法支持向量机，改善模型

  在一个面上，无法用一条直线，划分2类点，可能需要曲线划分。还有种方法就是核函数，将平面上的点映射到三维空间，用平面进行划分

• 神经网络，改善模型

  在对数几率回归的基础上，分类变复杂，一条直线分不开，需要多条直线划分。输入层，输入入学分数、在校成绩，—>中间层，隐含层，运算，最后输出结果，录取还是不录取
  经常应用到：语音识别，下棋，自动驾驶
  和支持向量机分类相比，使用多条直线，来划分区域

• K均值聚类

  在3个不同地方的人群里，放置3个披萨店，怎样收到效益最大，用户最多。随机选择3个点地方，不停的迭代，让披萨店放到人群中，并把店附近的人聚类

• 层次聚类

  还是放置披萨店，如果2个房子很近，怎么办？把相近的房子聚合在一起。当不知道存在多少聚类的情况下，但知道聚类之间的距离，把房子聚合在一起，然后放置披萨店。