1.1機器學習在20世紀下半葉演變為人工智能（AI）的一個分支，它涉及從數據中通過自我學習獲得算法以進行預測。

1.2三種類型的機器學習：

　　有監督，無監督，強化

1.2.1用有監督學習預測

　　有監督學習：從有標簽的訓練數據中學習模型，以便對未知或未來的數據做出預測。“監督”一詞指的是已經知道樣本所需要的輸出信號或標簽。總之，有監督學習以帶標簽的訓練數據訓練模型，進一步將新數據加上標簽。

　　帶有離散分類標簽的有監督學習——分類任務。

　　結果是連續的值——回歸

分類是有監督學習的一個分支，根據已知的觀測結果來觀測新的樣本分類標簽。這些分類標簽是離散的無序值。

　　 回歸分析是對連續結果的預測。回歸分析包括一些預測變量和一個連續響應變量，試圖尋找能夠預測結果與變量之間的關系，比如在一個二維坐標系中，預測變量x，相應變量y，對出現的數據進行擬合（謀求樣本點和擬合線平均距離最小）。

1.2.2用強化學習解決交互問題

　　強化學習的目標是開發系統或代理，通過它們與環境的交互來提高預測性能 在本書強化學習不是重點

1.2.3用無監督學習發現隱藏結構

　　在有監督學習中，事先知道正確的答案；在強化學習中，定義了代理對特定動作的獎勵，然而無監督學習處理的是無標簽的未知數據。用無監督學習技術，可以在沒有已知結果變量或獎勵函數的指導下，探索數據結構以提取有用信息。

　　1.2.3.1尋找聚類的子集

　　聚類是探索性的數據分析技術，可以在事先不了解組員的情況下，將信息分成有意義的族群。為在分析過程中出現的每個群定義一組對象，它們之間都有一定的相似性，但與其他群中對象的差異更大。

　　1.2.3.2通過降維壓縮數據

　　無監督降維是特征處理中數據去噪的一種常用方法，它也降低了某些算法對預測性能的要求，在保留大部分信息的同時將數據壓縮到較小的維數空間上。

1.3相關約定

用矩陣表示數據集時，每一行代表一個樣本，每一列代表一個特征。 一個150*4的矩陣代表了150個樣本，每個樣本有4個標簽

1.4構建機器學習系統的路線圖

python機器學習 第一章