本周任务：
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
学习视频
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。
1.Python环境。
2.基本库的安装，如numpy、pandas、scipy、matplotlib等。.
2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
3）什么是机器学习，有哪些分类？结合案例，写出你的理解。
机器学习主要分为四类：监督学习、半监督学习、无监督学习、增强学习。
1、监督学习：
在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。
比如你问妈妈那个是什么，妈妈说那个是太阳，那个是月亮，下次你告诉妈妈，那个是太阳，那个不是月亮，这就是监督学习。
2、半监督学习：
输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。
3、无监督学习：
即没有标注的训练数据集，需要根据样本间的统计规律对样本集进行分析，根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。
比如小时候看多了玩具，别人问你这是什么的时候，你回答这是玩具，这就是无监督学习。
4、强化学习：
强化学习是试错学习(Trail-and-error)，由于没有直接的指导信息，智能体要以不断与环境进行交互，通过试错的方式来获得最佳策略。
比如学习走路，并不是每个人出生就学会走路，在学习的过程中，会有摔倒的经验，然后身体会对大脑进行负反馈，大脑从而对身体走路的姿势，力度等进行适当调整，并慢慢向最舒服的走路姿态学习，最后学会走路，这就是强化学习。
机器学习主要分为四类：监督学习、半监督学习、无监督学习、增强学习。
1、监督学习：
在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。
比如你问妈妈那个是什么，妈妈说那个是太阳，那个是月亮，下次你告诉妈妈，那个是太阳，那个不是月亮，这就是监督学习。
2、半监督学习：
输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。
3、无监督学习：
即没有标注的训练数据集，需要根据样本间的统计规律对样本集进行分析，根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。
比如小时候看多了玩具，别人问你这是什么的时候，你回答这是玩具，这就是无监督学习。
4、强化学习：
强化学习是试错学习(Trail-and-error)，由于没有直接的指导信息，智能体要以不断与环境进行交互，通过试错的方式来获得最佳策略。
比如学习走路，并不是每个人出生就学会走路，在学习的过程中，会有摔倒的经验，然后身体会对大脑进行负反馈，大脑从而对身体走路的姿势，力度等进行适当调整，并慢慢向最舒服的走路姿态学习，最后学会走路，这就是强化学习。