1、为什么要学习机器学习？
一个东西火都是有原因的，机器学习也是人工智能很重要的一个分支，未来趋势。可以应用在
（1）推荐系统：淘宝，衣服穿搭，智能出行线路，大数据精准营销用户画像
（2）识别：垃圾短信识别，国家电网客户用电分析，自动驾驶中的交通标志检测，监控中突发事件识别
2、机器学习是什么？
2.1 定义：
依据学习策略，读取海量的数据，发现其中的规律、联系从而获得归纳推理和决策能力
三要素：海量数据，超强计算、优秀算法
2.2 工作方式
（1）选择数据，将原始数据分成三组 训练数据、验证数据、测试数据
（2）数据建模 、用训练数据和相关特征构建模型
（3）验证模型 用验证数据来验证模型效果如何，接着可以继续调整，类似模拟考试
（4）测试模型 用测试数据测验证模型性能
（5）使用模型 用新的数据做预测
（6）调优模型 使用更多的数据，特征，参数来优化模型
2.3 相关算法
2.4 机器学习过程
（1）数据抽象
（2）设置性能度量指标：避免出现过拟合和欠拟合
（3）数据预处理
（4）选定模型
（5）训练及优化
2.1.1监督式学习
监督式学习的常见应用场景如分类问题和回归问题。常见监督式学习算法有决策树学习(ID3,C4.5等)，朴素贝叶斯分类，最小二乘回归，逻辑回归（Logistic Regression），支撑矢量机，集成方法以及反向传递神经网络（Back Propagation Neural Network）等等
2.1.1非监督式
在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。非监督学习的常见应用场景包括关联规则的学习以及聚类等。常见非监督学习算法包括奇异值分解、主成分分析，独立成分分析，Apriori算法以及k-Means算法等等。
2.1.2半监督式学习
半监督式学习的应用场景包括分类和回归，半监督学习的算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM）等。
2.1.3强化学习
在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。强化学习的常见应用场景包括动态系统以及机器人控制等。强化学习的常见算法包括Q-Learning以及时间差学习（Temporal difference learning）
2.2 机器学习过程
（1）数据抽象
（2）设置性能度量指标：避免出现过拟合和欠拟合
（3）数据预处理
（4）选定模型
（5）训练及优化
3 常用的算法
3.1回归算法
试图用函数或者是对误差的衡量来反映变量之间的映射关系
最小二乘法（Ordinary Least Square），逻辑回归（Logistic Regression），逐步式回归（Stepwise Regression），多元自适应回归样条（Multivariate Adaptive Regression Splines）以及本地散点平滑估计（Locally Estimated Scatterplot Smoothing）。
通常，回归可以被用于在现实世界的应用，用来预测未来某一个点的状况
度量营销活动的成功率
预测某一产品的收入
在一个特定的日子里会发生地震吗？
3.2基于实例的算法
通常先选取一批样本，利用后来的数据与样本数据的相似性来进行预测，从而找到最佳匹配不，所以又叫基于记忆的学习。常见的算法包括 k-Nearest Neighbor(KNN), 学习矢量量化（Learning Vector Quantization， LVQ），以及自组织映射算法（Self-Organizing Map ， SOM）。
3.3正则化算法
正则化通常是回归算法的延伸，加入了惩罚因子，简单模型予以奖励而对复杂算法予以惩罚。