1、机器学习是干什么的。我的理解：通过查看现在的状况，利用机器学习，预测未来可能出现的情况。（房价预测）/或者说通过一些算法、代码让机器实现一些简单的工作。（客服机器人） 编写算法，让机器人通过大量的数据、经验自己学习获得最优解。
2、机器学习的分类：
监督学习：经验E是人工采集并输入计算机中的。
分为传统监督学习（每个训练数据都有对应的标签）、非监督学习（所有训练数据都没有对应的标签）、半监督学习三种。
另一个角度分类（基于标签的固有属性）：分类（标签是离散的值）和回归（标签是连续的值）（训练样本是时间、标签是房价，房价是连续的） 房价看成10000、100001、100002。这样就是离散的。房价化成一个曲线，就是连续的。
监督学习算法：支持向量机、深度神经网络、人工神经网络。
无监督学习算法：聚类、EM算法、主成分分析。
强化学习：经验E是由计算机与环境的互动获得的。计算机产生行为并获得这个行为的结果。我们只需设计收益函数。同时设计算法，让计算机自己改变自己的行为模式，去最大化收益函数。
3、机器学习的流程：
①把一个问题变成机器学习的问题 ②收集数据、处理数据、提取特征（通过训练样本取得对机器学习任务有帮助的多维数据） ③训练模型，通过这些数据，设计模型，使得我的模型能预测未来的数据 ④关注模型的性能，通过模型获得新数据，再用新的数据进行模型的调整。 迭代这一过程。
选择什么样的问题 变成机器学习的问题呢？ ----- 利益。
数据的选择？ ---- 高质量的、清洗过的数据。
模型的设计和上线？----- 设计模型需要大量的机器来跑数据。 设计了模型还不一定能用，可能部署上线很贵。
1、对数据进行特征提取、特征选择。2、使用不同的算法对特征空间做不同的划分获得不同的结果 3、研究不同场景下采用哪种算法。
标签：机器,标签,模型,学习,算法,数据 From： https://www.cnblogs.com/bhd123/p/17242166.html