# 机器学习概述

## 1.1 人工智能概述
- **达特茅斯会议**：人工智能的起点  
- **技术关联**：  
  - 机器学习是人工智能的一个实现途径  
  - 深度学习是机器学习的方法发展中衍生出的分支  

### 1.1.2 机器学习与深度学习的应用场景
- 传统预测（如气温、销量预测）  
- 图像识别（如人脸识别、物体检测）  
- 自然语言处理（如情感分析、机器翻译）  


## 1.2 什么是机器学习？
核心要素：数据 → 模型 → 预测  
**本质**：从历史数据中挖掘规律，利用规律对新数据进行预测。  

### 1.2.3 数据集构成
- **特征值（Features）**：描述数据的属性（如身高、体重、文本关键词）  
- **目标值（Target）**：需要预测的结果（如性别、气温、分类标签）  


## 1.3 机器学习算法分类
### 监督学习（Supervised Learning）
- **目标值类型**：明确标注的类别或连续值  
  - **分类问题**（目标值为离散类别）：  
    - 算法：k-近邻（k-NN）、朴素贝叶斯、决策树与随机森林、逻辑回归  
    - 示例：预测明天是阴/晴/雨（分类）、人脸识别（分类）  
  - **回归问题**（目标值为连续数值）：  
    - 算法：线性回归、岭回归  
    - 示例：预测明天气温（回归）、人脸年龄预测（回归/分类）  

### 无监督学习（Unsupervised Learning）
- **目标值类型**：无标注  
  - **聚类问题**：  
    - 算法：k-means  
    - 示例：用户分群（根据行为特征自动分组）  


## 1.4 机器学习开发流程
1. **获取数据**：从公开数据集（如sklearn、Kaggle）、企业内部数据库或接口采集数据。  
2. **数据处理**：清洗缺失值、处理异常值、格式标准化。  
3. **特征工程**：提取/转换特征（关键步骤，直接影响模型效果）。  
4. **模型训练**：选择算法，用训练数据拟合模型。  
5. **模型评估**：通过测试集验证模型泛化能力（如准确率、均方误差）。  
6. **应用部署**：将模型投入实际场景（如线上预测服务）。  


## 1.5 学习框架与资料推荐
### 核心认知
- 算法是核心，数据与计算资源是基础。  

### 学习路径建议
1. **入门阶段**：掌握基础概念（如特征工程、模型评估）。  
2. **实战提升**：通过项目练习巩固知识（如Kaggle竞赛、企业实战）。  

### 经典书籍
- 《机器学习》（周志华，“西瓜书”）：适合入门与进阶。  
- 《统计学习方法》（李航）：侧重数学推导与算法原理。  
- 《深度学习》（花书，Goodfellow等）：深度学习领域的“圣经”。