"""
1. 需要明确：
算法是核心，数据和计算是基础
2. 找准定位：
如果只是开发工程师：没必要把数学的推导搞得特别清楚。仅需要把算法的原理搞清楚、知道用在哪些方面、该算法擅长及不擅长的领域即可
重要：
特征工程、调参数、优化
大部分复杂模型的算法设计都是算法工程师在做
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，并对问题用相应的算法以及库和框架去解决问题
3. 机器学习算法的判别依据
数据类型：
离散型数据，又称计算数据：全部是整数，不能再细分，也不能再进一步提高其精确度
连续型数据：变量可以在某个范围内取任一数，如时间、质量等，含有小数部分
仅需记住：离散型区间内不可分，连续型区间内可分
数据类型个不同应用：
离散型：分类
连续型：预测
4. 机器学习算法的分类：
监督学习（预测）：有特征值+目标值，即有标准答案
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
目标值是离散型数据
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，预测问题会变成分类问题。最基础的便是二分类问题，即判断是否
回归：线性回归、岭回归
目标值是连续型数据
用途：用于预测输入变量和输出变量之间的关系
标注：隐马尔可夫模型
无监督学习：只有特征值，即没有标准答案
聚类：k-means
5. 机器学习的开发流程：
（围绕）数据：
来源：
1. 本身有数据
2. 合作过来数据
3. 购买的数据（很少）
流程：
1. 原始数据：明确问题做什么。即建立模型（到底是分类还是回归等）：根据数据类型（目标值类型），划分应用种类
2. 数据的基本处理：用pd去处理数据（缺失值、合并表...）
3. 特征工程：对特征进行处理（重要环节）
4. 找到合适的算法去进行预测
ps：模型=算法+数据
5. 模型的评估：判定模型的效果怎么样。
如果模型评估没有合格：
1. 换算法、参数
2. 特征工程重新处理
6. 上线使用：常以API形式提供
"""
网友评论