前言
至此，笔者将踏入新的学习征途——人工智能，为将来工作做更充足的准备，笔者每学习一部分知识都会做相应的笔记，如果你也正踏入这一领域，那就让我们共同努力吧，如果笔记有误，还望指出。
一、什么是机器学习
机器学习是人工智能一个分支。人工智能是研究使计算机模拟人的某些思维过程或智能行为（如：学习、思考）的学科。机器学习是实现人工智能的一条途径。机器学习算法是一类从数据中自动分析获取规律（模型），并利用规律对未知数据进行预测的算法。
二、为什么需要机器学习
21世纪机器学习又一次被人们关注，而这些关注的背后是因为整个环境的改变，我们的数据量越来越多，硬件越来越强悍。急需要解放人的生产力，自动去寻找数据的规律。解决更多专业领域的问题。机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域.
三、开发机器学习应用程序的步骤
（1）收集数据
我们可以使用很多方法收集样本护具，如：制作网络爬虫从网站上抽取数据、从RSS反馈或者API中得到信息、设备发送过来的实测数据。
（2）准备输入数据
得到数据之后，还必须确保数据格式符合要求。
（3）分析输入数据
这一步的主要作用是确保数据集中没有垃圾数据。如果是使用信任的数据来源，那么可以直接跳过这个步骤
（4）训练算法
机器学习算法从这一步才真正开始学习。如果使用无监督学习算法，由于不存在目标变量值，故而也不需要训练算法，所有与算法相关的内容在第（5）步
（5）测试算法
这一步将实际使用第（4）步机器学习得到的知识信息。当然在这也需要评估结果的准确率，然后根据需要重新训练你的算法
（6）使用算法
转化为应用程序，执行实际任务。以检验上述步骤是否可以在实际环境中正常工作。如果碰到新的数据问题，同样需要重复执行上述的步骤
四、我们应该怎么做
目前，
互联网公司机器学习工作、数据挖掘工程师们工作内容一般是研究各种算法，设计高大上模型深度学习的应用，N层神经网络…
大部分复杂模型的算法精进都是数据科学家在做
大多数程序员跑数据，各种map-reduce，hive SQL，数据仓库搬砖数据清洗，数据清洗，数据清洗分析业务，分析case，找特征，常用算法跑模型
因此，我们要
学会分析问题
掌握算法基本思想，学会对问题用相应的算法解决
学会利用简便的库或者框架解决问题