機器學習
機器學習本質是一項監督分類/迴歸問題，"監督"表示你有許多樣本，假設你知道這些樣本的正確答案，我們不斷地把樣本交給機器，並告訴機器這些樣本是正確或錯誤的，對機器進行訓練，最終達到機器學習的目的。
1、有監督學習（數據有label）
監督學習就是教會計算機去完成任務，如：根據你已經標記爲垃圾郵件的郵件學習識別垃圾郵件，根據你喜歡的電影推薦其他你可能喜歡的電影…
監督學習可以理解爲以下兩種模型：
- 迴歸模型：根據之前的數據預測出一個準確的輸出值
迴歸問題通常是用來預測一個值，例如一個產品的實際價格爲500元，通過迴歸分析預測值爲499元，我們認爲這是一個比較好的迴歸分析。
一個比較常見的迴歸算法是線性迴歸算法（LR），迴歸是對真實值的一種逼近預測。 - 分類模型：根據之前的數據和分類/標籤將輸入數據準確地進行分類
分類問題是用於將事物打上一個標籤，通常結果爲離散值。例如判斷一幅圖片上的動物是一隻貓還是一隻狗，分類通常是建立在迴歸之上，分類的最後一層通常要使用softmax函數進行判斷其所屬類別。
分類並沒有逼近的概念，最終正確結果只有一個，錯誤的就是錯誤的，不會有相近的概念。最常見的分類方法是邏輯迴歸，或者叫邏輯分類。
分類模型和迴歸模型本質一樣，分類模型可將回歸模型的輸出離散化，迴歸模型也可將分類模型的輸出連續化。
兩者的區別在於輸出變量的類型。 - 定量輸出稱爲迴歸，或者說是連續變量預測；
- 定性輸出稱爲分類，或者說是離散變量預測。
2、無監督學習（數據無label）
是否有監督（supervised），就看輸入數據是否有標籤（label）。輸入數據有標籤，則爲有監督學習，沒標籤則爲無監督學習。
最簡單也最普遍的一類機器學習算法就是分類（classification）。對於分類，輸入的訓練數據有特徵（feature），有標籤（label）。所謂的學習，其本質就是找到特徵和標籤間的關係（mapping）。
這樣當有特徵而無標籤的未知數據輸入時，我們就可以通過已有的關係得到未知數據標籤。在上述的分類過程中，如果所有訓練數據都有標籤，則爲有監督學習（supervised learning）。
如果數據沒有標籤，顯然就是無監督學習（unsupervised learning）了，也即聚類（clustering）。
目前分類算法的效果還是不錯的，但相對來講，聚類算法就有些慘不忍睹了。確實，無監督學習本身的特點使其難以得到如分類一樣近乎完美的結果。
3、特徵和標籤
特徵提取
在機器學習中，我們通常會把特徵作爲輸入，然後嘗試生成標籤，最終進行分類。
4、決策面
機器學習就是將數據，根據特徵和標籤轉換爲決策面（分類）。
決策面分爲：
線層決策面：決策面爲一條直線
非線性局側面：決策面不是一條直線（一條直線無法決策的）
5、使用算法
常見的計算決策面的算法有：
樸素貝葉斯
支持向量機
…
基礎庫：scikit-learn官網，scikit-learn是一個python學習算法庫，包含了豐富的機器學習算法。