1.机器学习的一个主要任务就是分类。
2.学习如何分类需要做算法训练，为算法输入大量已分类数据作为算法的训练集。
3.分类问题中的目标向量称为类别，并假定分类问题只存在有限个数的类别。
4.训练数据和测试数据。
5.假定某一个算法，经过测试满足精确度要求，已经学会了如何分类，这部分工作称之为知识表示。
6.机器学习的另一个主要任务就是回归，主要用于预测数值型数据。
7.分类和回归属于监督学习，之所以称为监督学习，是因为这类算法必须知道预测什么，即目标的分类信息。
8.与监督学习对应的是无监督学习，在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被称为聚类；将寻找描述数据统计值的过程称之为密度估计。
9.分类：k-近邻算法、朴素贝叶斯算法、支持向量机、决策树
回归：线性回归、局部加权线性回归、Ridge回归、Lasso最小回归系数估计
聚类和密度估计：K-均值、最大期望算法、DBSCAN、Parzen窗设计
扫描二维码关注公众号，回复：
3821336 查看本文章
10.选择实际可用的算法必须考虑：1）使用机器学习算法的目的，想要算法完成何种任务；2）需要分析或收集的数据是什么。
11.学习和使用机器学习算法开发应用程序步骤：1）收集数据；2）准备输入数据；3）分析输入数据；4）训练算法；5）测试算法；6）使用算法。
12.Python语言的优势：易于理解，丰富的函数库（尤其是矩阵操作）、活跃的开发者社区等。
13.Python适用于机器学习算法：1）Python的语法清晰；2）易于操作纯文本文件；3）使用广泛，存在大量的开发文档。
Python不足：性能问题。