ML知识概括：
知识地图.jpeg
ML常用公式
常用公式.jpeg
推荐学习博客：莫烦Python(有视频和图文，很大神非常推荐)
基本术语
- 特征向量(feature vector)/样本(sample)：用多个维度来描述一件事物有叫做“样本”也叫做“特征向量”
- 训练(training)：从数据中学得模型*得过程
- 训练样本：训练过程中使用的数据称为“训练数据”，其中每个样本称为一个“训练样本”，训练样本组成的集合称为“训练集”。
- 模型/学习器(learner)：可看作学习算法在给定数据和参数空间上的实例化也叫做
- 标记(label)：关于样本预测结果的信息，例如：“好瓜”、“坏瓜” 称为标记，而，拥有了标记信息的样本称为样例，一般的用(xi,yi)表示第i个样例，xi为第i个特征向量，yi是xi的标记。
- 分类(classification)&回归(regression)：对于欲预测的是离散值,此类学习任务称为“分类”；若欲预测的是连续值，例如西瓜的成熟度0.95、0.37，此类学习任务称为“回归”
- 二分类(binary classification)&多分类(multi-class classification)：对只涉及两个类别的的学习任务称为“二分类”任务，通常称为一个类为“正类”，另一个类为“反类”；涉及多个类别时，则称“多分类”任务。
- 测试/评估(testing)：学得模型后，使用其进行预测的过程称为“测试”
- 聚类(clustering)：将训练集的样本分成若干组，每一组称为一簇(cluster),这些自动形成的簇可能对应一些潜在的概念划分，而且这样的学习过程中使用的训练样本通常不用于标记信息。
- 监督学习&无监督学习
- 泛化(generalization) ：学得模型适用于新样本的能力，称为泛化能力
