机器学习实战笔记（一）机器学习的理论基础

昨天听很多公众号大牛告诉我，写文章和blog只写干货，好的，那我们直接进入正题。
人工智能的大概念包括三个部分：机器学习，深度学习，推荐系统。
机器学习中包括很多传统的算法用来解决分类与聚类问题，例如K近邻算法，SVM支持向量机，adaboost元算法，线性回归，逻辑回归，决策树，树回归，随机森林，这些用来进行分类，以及K-mean算法，apriori算法进行关联分析，PCA降维等
机器学习中是通过在大类的数据中发现普遍的规律·从而进行拟合，再用所学到的规律进行泛化的推理。
机器学习中分为监督学习与无监督学习，所谓的监督学习是在基于标签label的基础之上。其主要的目标变量有两种，标称型与数值型。
标称型的有监督学习成为分类，数值型的有监督学习成为回归
机器学习的必要条件：
大量数据组成的数据集：1.训练集 2. 验证集 3.测试集
训练集：用来进行模型的迭代的训练数据
验证集：进型模型的验证
测试集：进行模型泛化能力的测试
GPU：机器学习需要进行大量的张量运算，张量运算可以认为，重点是可以认为矩阵运算，比较好理解。
最后将拟合的模型进行推理皆可以了，下一次具体用线性回归来说明一下·。