机器学习第一课

计算机程序利用经验 E 学习任务 T，性能是 P，如果针对任务 T 的性能 P 随着经验 E 不断增长，则称为机器学习。 —— 汤姆·米切尔，1997

监督学习/非监督学习

监督学习主要有常见的典型的任务，分类和回归

分类
- 二分类
- 多分类
回归

常用的机器学习算法

逻辑回归
K近邻算法
线性回归
支持向量机
决策树和随机森林
神经网络
聚类
- K均值
- 层次聚类分析（Hierarchical Cluster Analysis, HCA）
- 期望最大值
可视化和降维
- 主成分分析（Principal Component Analysis, PCA）
- 核主成分分析
- 局部线性嵌入
- t-分布邻域嵌入算法
关联性规则学习
- Apriori算法
- Eclat算法

评价指标

分类
- 正确率，召回率，F值。
回归
- 计算误差确定模型的精确度
聚类问题
- 聚类问题的标准一般基于距离：簇内距离和簇间距离