本文介绍了机器学习的基础，包括分类与预测、聚类问题及其应用实例。强调了学习机器学习需要的数学知识，如微积分、线性代数、概率与统计，并推荐了Python作为编程语言。还介绍了常用的数据分析库，如Numpy、Scipy、Matplotlib、Pandas和Scikit-Learn。文章概述了机器学习工作流程，包括数据获取、预处理、特征选择、模型训练、检验和调优，以及模型融合。并推荐了学习资源和实践途径。
上篇即第一篇文章简短的介绍了机器学习，让读者大致了解了机器学习是干啥的：
先来看看机器学习具体解决一些什么问题，从功能的角度出发，机器学习主要可以具体解决以下两个问题：
1、分类与预测问题
分类与预测问题是预测问题的两种主要类型，分类主要是预测分类标号（离散属性），通过构造一个分类模型，输入样本的属性值，输出对应的类别，将每个样本映射到原先定义好的类别。而预测主要是建立连续值函数模型，预测给定自变量对应的因变量的值。
应用实例：手写数字的识别（分类）、垃圾邮件的识别（分类）、电影票房的预测（回归分析）、未来房价的预测（回归分析）
2、聚类问题
分类问题是已知结果对数据特征进行分类，属于“监督学习”，而聚类则不需要知道样本所属标签，即没有给定划分类别的情况下，根据数据之间的相似度对数据进行划分，属于“非监督学习”。如常见的k-means聚类算法，通过样本之间的距离将数据分为
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
