为什么要学习算法：算法是核心，数据和计算是基础。
一、数据类型
离散型数据：一个一个点组成的数据
连续性数据：一系列连续的数（数轴上的一段）组成的数据，其y值称为概率密度，总体积分结果为1
数据类型的不同 应用
类型不同------算法是有区别的
二、机器学习算法分类
监督学习：有特征值、目标值
无监督学习：只有特征值
1、监督学习：
分类（目标值离散）算法：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
回归（目标值连续）算法：线性回归、岭回归
标注：隐马尔可夫模型
2、无监督学习
聚类 k-means
分类：最基础分类问题为二分类。
根据我的理解，就是已经有上述几个模型算法，我们只需要往模型里面填入数据和参数（当然对于参数也有自动学习的算法），由于每个数据都有特征，那么将这些特征进行判断并且模型进行学习。就是一步步提高机器学习的准确性。
三、机器学习过程
1、原始数据：明确问题做什么
2、数据基本处理：pandas处理数据（缺失值、合并表）
3、特征工程（特征进行处理）
模型：算法+数据
4、找到合适的算法进行预测
5、模型评估 （模型评估不合格：换算法、参数、）
6、上线使用 以API形式提供模型（模型合格）