前言：
讲真，复习这块我是比较头大的，之前的线代、高数、概率论、西瓜书、樱花书、NG的系列课程、李宏毅李沐等等等等…那可是花了三年学习佳实践下来的，现在一想脑子里就剩下几个名词就觉得废柴一个了，朋友们有没有同感，高中的留给高中老师，大学的给大学老师，研究生的留给谁了呢~但是呢，想想我马上要成为风口上的众多马上飞起的^{(*￣(oo)￣)}，不说废话，撸起袖子开干！！！
tips:不做具体视频课程学习，基本会按照有PPT的看PPT，知识点忘得比较干净的上最新的课程里面查漏补缺，也不能忘得一干二净不是，还是留了点的O(∩_∩)O哈哈~

学习资料

以我的专栏笔记为主线（基本涵盖了下面的资料），李宏毅老师的课程过一遍，其他为辅助资料查漏补缺；

1. 李航《统计学习方法》：机器学习数学基础补齐
2. 机器学习算法：ShowMeAI
3. 吴恩达的《Machine Learning》 ：以PPT为主
4. 《李宏毅机器学习2023》：以课程为主
5. 书籍 - 周志华的《机器学习》-西瓜书 ：知识补齐用
6. 书籍 - Peter Harrington的《机器学习实战》
7. 机器学习入门强推的B站课程

知识点串联

机器学习基础

概念：从数据中自动分析得出数据模型，并对数据进行预测；

机器学习流程

1. 获取数据

名词：样本、特征、目标值（标签值）、特征值
数据结构：① 特征值 + 目标值（连续|离散）；②只有特征值；
数据分割：训练数据（构建模型）、测试数据（评估模型)

2. 数据基本处理：缺失值、异常值处理等
3. 特征工程

特征提取：文本/图像/语音等输入>>> 机器学习的数字特征
特征预处理：特征数据–【通过转换函数】–适合算法模型的数据
特征降维：降低随机变量（特征）个数，得到“不相关”主变量过程，eg：地球仪 》地图

4. 机器学习（模型训练/学习）：监督、无监督、半监督、强化
5. 模型评估

分类模型评估：错误率（Error Rate）、精确率（Accuracy）、查准率（Precision）、查全率（Recall）、F1、ROC曲线、AUC曲线和R平方等

回归模型评估：均方根误差RMSE、相对平方误差RSE、平均绝对误差MAE、相对绝对误差RAE、决定系数

拟合：欠拟合（过于差，学到的太少）、过拟合（过于优越，学到的太多）

6. 样本预测

机器学习类型

监督学习：

1. 原理：输入特征值+目标值，输出连续的值（回归）/离散的值（分类）
2. 案例：猫狗分类、房价预测
3. 分类算法：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
4. 回归算法：线性回顾、岭回归

非监督学习：

1. 原理：仅输入特征值，观察到的结果（聚类）
2. 目的：发现潜在结构
3. 案例：物以类聚
4. 聚类：K-means

半监督学习：

1. 输入部分① 特征值+目标值；部分②特征值
2. 应用：训练数据量过多的情况
3. 监督学习不满足需求时，增强效果；

强化学习：

1. 决策流程及激励系统：4要素（Agent、action、environment、observation），输入动态变化，上一步的输出是下一步的输入，根据奖惩机制调整决策；
2. 目的：长期利益最大化，回报函数（只会提示你是否在朝着方向前进的延迟反应）
3. 案例：学下棋
4. 算法：马尔科夫决策、动态规划

十大常用算法

• KNN算法及其应用

• 逻辑回归算法详解

• 朴素贝叶斯算法详解

• 决策树模型详解

• 随机森林分类模型详解

• 回归树模型详解

• GBDT模型详解

• XGBoost模型详解

• LightGBM模型详解

• 支持向量机模型详解

• 聚类算法详解

• 降维算法详解

机器学习环境安装与使用

• 库的使用：常用的numpy、pandas、matplotlib、jupyter、tables等 （这一部分我的专栏【Python模块】专门有讲这些库的用法，安装方式上网一找一大堆），其中numpy、pandas以及matplotlib在上周Python的复习过程中已经涉及到了！见【第三周：Python能力复盘】
• 工具使用：Anaconda、Jupyter notebook、Markdown（哈哈，CSDN我就是那markdown编辑的，现成的技能😁）

机器学习案例

• Azure机器学习实验搭建：https://www.codenong.com/cs106570915/