1. 机器学习简介

1.1 机器学习流程

1. 获取数据
   1. SKLEARN数据集
   2. 查看数据分布
   3. 数据集分类
2. 数据基本处理
   1. 缺省值处理
   2. 缩小数据范围
   3. 异常数据处理
   4. 数据分割
   5. 类别不平衡数据处理方式
3. 特征工程
4. 机器学习(算法)
   1. K-近邻算法
   2. 线性回归
   3. 线性回归的改进-岭回归
   4. 逻辑回归(分类)
   5. 决策树
   6. 朴素贝叶斯
   7. SVM
   8. EM算法
   9. HMM模型
   10. K-MEANS
   11. 集成学习
5. 模型评估与调优

1.2 数据科学库

1. matplotlib 画图
2. numpy 数学计算、矩阵
3. pandas
4. seaborn

1.3 人工智能、机器学习、深度学习的关系

1. 机器学习是人工智能的一个实现途径
2. 深度学习是机器学习一个方法发展而来

1.4 人工智能分支

1. 计算机视觉(CV)： 机器感知环境的能力；类别：图像形成，图像处理，图像提取，图像的三维处理
2. 语音识别（NRP）： 识别语音并将其转换为对应文本的技术；
3. 文本挖掘/分类（NRP）： 理解，组织和分类结构化和非结构化文本文档；句法分析、情绪分析、垃圾信息检测
4. 机器翻译（NRP）： 利用机器的力量将一种自然语言文本翻译成另一种语言
5. 机器人： 机器人的设计、制作和运用，以及控制他们的计算机系统、传感反馈和信息处理；固定机器人和移动机器人

1.5 机器学习定义

从数据中自动分析获取模型，并使用模型对未知事务进行预测

1.6 算法分类

1.7 模型评估