機器學習的價值在於發現數據背後的價值，將雜亂的資料轉化為資訊。

因為我們無法建立精確的模型，所以我們要應用統計學。

關鍵術語：

在監督學習中：特徵，目標值，目標值也叫作類別。

無監督學習（我現在對無監督學習的理解就是聚類）：聚類，尋找描述資料統計值的過程稱為密度估計。無監督學習可以減少資料特徵的維度。

如何選擇合適的演算法：

1、目的：想要完成什麼工作。（無監督學習情況下，如果想分成離散的組用聚類演算法，如果估計資料與每個分組的相似程度用密度估計演算法）

2、資料：充分了解資料可以減少演算法選擇的時間。

開發機器學習應用程式的步驟：

1、收集資料

2、準備輸入資料

3、分析輸入資料（發現垃圾資料，能用二、三維影象分析最好）

4、訓練演算法

5、測試演算法（問題常常跟資料的收集和準備有關）

自己的理解：

1、問題跟資料的預處理有關，最終跟自己對業務的理解有關？

2、如果演算法結果滿意，想優化演算法，那麼“可以使用其他的機器學習技術來改進其效能“是什麼意思？

3、第九頁說的”最好的演算法“是不是一個演算法經過自己反覆優化？自己還要改動演算法？

python的有點：

1、語法清晰2、易於操作純文字檔案3、使用廣泛，存在大量的開發文件

python的缺點：

效率不如c語言，前期使用python實現，後期更改為c語言（書中提供了方法）。