版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_34100655/article/details/79007541
1、机器学习的定义
机器学习（Machine Learning，LM）是一门多领域的交叉学科，涉及概率论、统计学、线性代数、算法等多门学科。它专门研究计算机如何模拟和学习人的行为，以获取新的知识或技能，重新组织已有的知识结构使之不断完善自身的性能。简单来说，就是让机器学会和人一样的思考，并作出相应的行为。
机器学习目前已经有广泛的应用，例如：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、检测信用卡欺诈、证券市场分析、语音识别、手写识别等。总之就是下一个风口。
机器学习的算法，可以分为：监督学习和无监督学习。监督学习，指的是在机器学习的过程中提供对错指示，这一类学习主要用于分类和预测（Regression & Classify）。常见的监督学习算法包括回归分析和统计分类。
无监督学习又称为归纳性学习（Clustering），利用K方式（LMean）建立中心（Centriole），通过循环和递减运算（Iteration & Descent）来减小误差，达到分类的目的。
2、Python中的机器学习
本书主要关注监督学习中的分类与回归问题处理的预测模型。采用的框架是scikit-learn，并通过项目来介绍基于Python生态环境如何完成机器学习的相关工作。一旦明白了如何使用Python平台来完成机器学习的任务，就可以在不同的项目中重复使用这种方法解决问题。
用机器学习的预测模型来解决问题，共有六个基本步骤：定义问题-数据理解-数据准备-评估算法-优化模型-结果部署。本书也是按照这个流程来部署的。
3、学习机器学习的技巧
牢记这三个技巧：
- 启动一个可以在一小时内完成的小项目；
- 通过每周完成一个中型项目来保证你的学习势头，并建立累计自己的项目工作区；
- 在社交网络、开发者社区中分享自己的成果。
好吧，第一张就是概括性的描述本书，没有实质的内容0-0