传智播客 机器学习基础 学习笔记
目录
需明确几点问题：（1）算法是核心，数据和计算是基础
找准定位
大部分复杂模型的算法设计都是算法工程师在做，而我们
•分析很多的数据
•分析具体的业务
•应用常见的算法
•特征工程、调参数、优化
我们应该怎么做
1.学会分析问题，使用机器学习算法的目的，想要算法完成何种任务
●
2.掌握算法基本思想，学会对问题用相应的算法解决
●
3.学会利用库或者框架解决问题
机器学习开发流程
机器学习模型是什么
机器学习算法分类
•监督学习
•分类 k-近邻算法、贝叶斯分类、决策树与
随机森林、逻辑回归、神经网络
•回归 线性回归、岭回归
•标注 隐马尔可夫模型 (不做要求)
•无监督学习
•聚类 k-means
监督学习
监督学习（英语：Supervised learning），可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由
输入特征值和目标值所组成。函数的输出可以是一个连续的值（称为回归），或是输出是有限个离散值（称作分类）。
无监督学习
无监督学习（英语：Supervised learning），可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是
由输入特征值所组成。
概念：分类是监督学习的一个核心问题，在监督学习中，当输出变量取有限个离散值时，预测问题变成为分类问题。最基础的便是二分类问题，即判断是非，从两个类别中选择一个作为预测结果；
回归问题
概念：回归是监督学习的另一个重要问题。回归用于预测输入变量和输出变量之间的关系，输出是连续型的值。
说一下它们具体问题类别：
1、预测明天的气温是多少度？
回归
2、预测明天是阴、晴还是雨？
分类
3、人脸年龄预测？
回归
4、人脸识别？
分类