23、Python 数据科学入门

Python 数据科学入门

1. 技术要求

在进行后续操作前，需要一个 Python 虚拟环境。所有代码示例可在 GitHub 仓库 中找到。

2. 什么是机器学习

机器学习（ML）常被视为人工智能的一个子领域。近年来，由于其广泛的应用领域，如垃圾邮件过滤器、自然语言处理和图像生成等，受到了广泛关注。

机器学习是利用现有数据构建数学模型，让机器自行理解数据。开发者无需为解决问题编写详细的逐步算法，尤其是对于复杂任务。模型在现有数据上“训练”后，可用于预测新数据或理解新观察结果。

例如，对于垃圾邮件过滤器，如果有大量手动标记为“垃圾邮件”或“非垃圾邮件”的电子邮件，就可以使用机器学习技术构建模型，判断新邮件是否为垃圾邮件。

2.1 监督学习与无监督学习

机器学习技术主要分为监督学习和无监督学习两类：
| 学习类型 | 特点 | 细分问题 | 示例 |
| ---- | ---- | ---- | ---- |
| 监督学习 | 现有数据集已标记，有输入（特征）和输出 | 分类问题：对有限类别数据进行分类
回归问题：预测连续数值 | 垃圾邮件过滤器
根据日期、天气和位置预测电动滑板车的租赁数量 |
| 无监督学习 | 处理无标签数据，从特征中发现有趣模式 | 聚类：找到相似数