什么是机器学习：
- 把无序的数据转换为有用的信息
- 利用计算机来揭示数据背后的真实含义
监督学习一般使用两种类型的目标变量（结果的两种表达形式）：标称型和数值型。
- 标称型目标变量的结果只在有限目标集中取值，如真与假、动物分类的集合{爬行类，鱼类，哺乳类，两栖类}，标称型主要用于分类；
- 数值型变量则可以从无限的数值集合中取值，如0.1、1.0000、10、1000等。数值型主要用于回归分析
自我感觉就是，用于分类问题的离散取值；用于回归分析的能够连续取值。
分类和回归属于监督学习，因为监督学习算法必须知道预测的目标是什么。
聚类属于无监督学习，数据没有类别信息，也不给定预测的目标值；
寻找描述数据统计值的过程称之为密度估计（不好理解）。
开发机器学习应用程序的步骤：
- 1、收集数据。网络爬从网站上抽取数据、设备发送过来的实时数据
- 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。人工分析收集和准备的数据是否合理
- 4、训练算法。将收集的格式化数据输入到算法中，从中抽取和学习知识和信息。若是无监督学习，由于不存在目标变量值，不需要训练算法这一步
- 5、测试算法。如果不满意算法的输出结果，可以回到第四步改正并加以测试。问题常常会和数据的收集和准备有关，这时要回到第 1 步重新开始
6、使用算法。
numpy中的 ndarray和 matrix的区别
- https://blog.csdn.net/vincentlipan/article/details/20717163
- matrix（矩阵必须是2维的），ndarray 可以是多维的（1D,2D,3D…nD）.matrix是ndarray的一个小分支，拥有ndarray的所有特性。
numpy中的matrix的优势是简单的乘法运算，矩阵 A*B是指矩阵乘积，
numpy中的ndarray的运算作用在每个元素上，实现矩阵相乘np.dot(A,B)实现两者之间的转换：np.asmatrix 和 np.asarray