本周任务：
一、python基础的准备
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
二、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
概念：机器学习是AI的一个分支，设计一个计算机系统，根据提供的数据按一定方式学习，随着训练次数增加，可以在性能上不断学习和改进，通过参数优化学习模型。
分类：机器学习包括有监督学习，无监督学习和增强学习（9’38）
有监督学习——通过已有数据对(x,y)判断新数据(x)的y值。
·例子：儿童经过多次训练学到月亮这个概念，之后能够判断某事物是否为月亮。
无监督学习——判断不完全独立的数据之间的关系，p(x)p(y)≠p(xy)。（聚类）
·例子：词库经过训练组合得到新词，根据词语组合的概率得到新词。
作用：1）清洗数据/特征选择；2）确定算法模型/参数优化；3）结果预测 （21’00）
【×】大数据存储/并行计算/机器人
【区别】做某些规则时采用传统算法；运用某些规则则是机器学习。
多元线性回归模型：构建一个根据多个影响因素预测到的值无限接近实际值的模型。
无限迭代使得损失函数（目标函数）最低，模型达到最优。
机器学习的一般流程：数据收集→数据清洗→特征工程（特征选择、调参）→数据建模→预测（37’39）
【注】清洗和特征工程实际工作量较大
机器学习方法：
1）利用各种算法对数据进行分类
Linear SVM / RBF SVM / Decision Tree / Naive Bayes / Linear Discrimination / QDA / AdaBoast / Random Forest等
2）采用不同的可延展的配置文件训练模型
3）适当调整损失函数使预测数据达到最优
4）设计模型的大小适应不同设备
泰勒公式——预测ex的值 / 考察Gini系数的图像（梯度下降法）
Γ函数
凸函数
Soft-max 回归
古典概型——生日悖论 / 装箱问题 → 熵（混乱程度的反映——决策树、随机森林）
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。
2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。
3）什么是机器学习，有哪些分类？结合案例，写出你的理解。
二维数组直接采用Unique去重会先将二维数组变成一维数组再进行去重，不符合需求。故方法一：转换为虚数再进行去重。
方法二：将二维数组转化为元组再放入集合中
堆叠np.stack()，根据axis不同堆叠效果不同。
矩阵乘法
对应元素相乘