1.机器学习概论

1.python基础的准备

本课程拟采用Python做为机器算法应用的实现语言，所以请确保:

1）安装好Python开发环境， PyCharm 或 Anaconda等都可以，按个人习惯喜好。

2）基本库的安装，如numpy、pandas、scipy、matplotlib

3）具备一定的Python编程技能，如果不熟悉，可选择一个教程进行学习，Python简单好上手，资源也很丰富。

菜鸟教程 Python 3 教程 http://www.runoob.com/python3/python3-tutorial.html 

廖雪峰的官方网站 Python3 https://www.liaoxuefeng.com/wiki/1016959663602400

 

2.本周视频学习内容：https://www.bilibili.com/video/BV1Tb411H7uC?p=1

1）P4 Python基础

2）P1 机器学习概论

机器学习是一门多领域交叉学科，涉及较多的数学知识，我们不做太多理论上的要求，如果有听不懂的地方，不要放弃，看一遍就有个印象。通过观看视频，大家对课程有个总体的认识。

建议大家边看边做笔记，记录要点及所在时间点，以便有必要的时候回看。学习笔记也是作业的一部分。

 

3.作业要求：

1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。

 

2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。

3）什么是机器学习，有哪些分类？结合案例，写出你的理解。

什么是机器学习？

机器学习其实是一门多领域交叉学科，它涉及到计算机科学、概率统计、函数逼近论、最优化理论、控制论、决策论、算法复杂度理论、实验科学等多个学科。机器学习的具体定义也因此有许多不同的说法，分别以某个相关学科的视角切入。但总体上讲，其关注的核心问题是如何用计算的方法模拟类人的学习行为：从历史经验中获取规律（或模型），并将其应用到新的类似场景中。

机器学习的分类？

用学习方式分类：有监督学习，半监督学习，无监督学习，强化学习

用学习任务分类：分类（有监督），聚类（无监督），回归（有监督）

监督学习：通过已有的一部分输入数据与输出数据之间的相应关系。生成一个函数，将输入映射到合适的输出，比如分类。

非监督学习：直接对输入数据集进行建模，比如聚类。

半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。

强化学习：鼓励与惩戒的信号。