機器學(xué)習(xí)(Machine Learning,ML) 是使用計算機來彰顯數(shù)據(jù)背后的真實含 義，它為了把無序的數(shù)據(jù)轉(zhuǎn)換成有用的信息。是一門多領(lǐng)域交叉學(xué)科， 涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。 專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技 能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。

它是人工智能的核心，是使計算機具有智能的根本途徑，其應(yīng)用遍及人 工智能的各個領(lǐng)域，它主要使用歸納、綜合而不是演繹。

目錄

閱前必讀
1. 機器學(xué)習(xí)基礎(chǔ)
2. k-近鄰算法
3. 決策樹
4. 基于概率論的分類方法：樸素貝葉斯
5. Logistic回歸
6. 支持向量機
7. 集成方法-隨機森林和AdaBoost
8. 預(yù)測數(shù)值型數(shù)據(jù)：回歸
9. 樹回歸
10. 使用K-均值聚類算法對未標(biāo)注數(shù)據(jù)分組:k-means聚類
11. 使用Apriori算法進行關(guān)聯(lián)分析
12. 使用FP-growth算法來高效發(fā)現(xiàn)頻繁項集
13. 利用PCA來簡化數(shù)據(jù)
14. 利用SVD簡化數(shù)據(jù)
15. 大數(shù)據(jù)與MapReduce
16. 推薦系統(tǒng)
2017-04-08_第一期的總結(jié)
樸素貝葉斯討論