机器学习的目标

机器学习是实现人工智能的手段，其主要研究内容是如何利用数据或经验进行学习，改善具体算法的性能

• 多领域交叉，涉及概率论、统计学，算法复杂度理论等多门学科
• 广泛应用于网络搜索、垃圾邮件过滤、推荐系统、广告投放、信用评价、
  欺诈检测、股票交易和医疗诊断等应用

---

机器学习分类

机器学习一般分为下面几种类别：

• 监督学习(Supervised Learning)
  从给定的训练数据集（多为人工标注）中学习到一个输入和输出之间的特定关系，当新的数据到来时，可以根据这个函数预测出正确的结果。

• 无监督学习 (Unsupervised Learning)
  无监督学习和监督学习的区别在于训练集是没有人为标注的结果的。

• 强化学习(Reinforcement Learning，增强学习)
  通过观察来学习执行什么样的动作获得最好的回报，每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断 。应用有：Alphago等

• 半监督学习(Semi-supervised Learning)
  介于监督学习和非监督学习之间。

• 深度学习 (Deep Learning)
  利用深层神经网络模型抽象数据的表示特征的一种方法。现在非常火热。

---

sklearn库介绍

Scikit learn 也简称 sklearn， 是机器学习领域当中最知名的 python 模块之一.

1、数据集总览

image.png

2、基本功能

sklearn库的共分为6大部分，分别用于完成分类任务、回归任务、 聚类任务、降维任务、模型选择以及数据的预处理。（后两部分不讲）

分类任务

image.png

回归任务

image.png

聚类任务

image.png

降维任务

image.png