今天，妹子给大家讲的是学习机器学习的“万能步骤”。用了这套学习步骤，妹子就算是看再晦涩难懂的模型，都不慌。
咱都知道成功的要素，要么是情商，要么是智商。但其实还有一种，那就是方向。相信大家都听过这样一句话“不怕失败，就怕方向错误”，可见方向的选择是很重要的，学习更是如此。大数据相关的知识日新月异，这也对数据在职人更新换代自己知识库的要求更高。和其他岗位不同，数据在职人所处的行业，是和数据，模型，算法打交道的，所以咱要更新知识，必然避不开看数学运算。数学，是一个需要高度抽象思维去学习的知识，单单是可以列出来的数学分支就有25类。
所以，为了更有效率的更新自己的知识库，不被淹没在数学公式和细节里，咱需要有自己的学习策略。妹子总结的学习策略，是由几个“函数”组成的：预测函数+损失函数+学习函数。咱们先抓住主要矛盾，再去看细节，知识自然更容易被理解，掌握，运用！
预测函数
预测函数，只是妹子起的一个名字，便于大家理解，不用纠结它的名字，它是用来预测结果的函数。
分类任务的预测函数：AdaBoost,C4.5 algorithm,ID3 algorithm,K-nearest neighbors algorithm,Naive Bayes classifier,Random forest,Support-vector machine等；
聚类任务的预测函数：K-Means，Spectral clustering，Ward hierarchical clustering，Agglomerative clustering，DBSCAN，Gaussian mixtures等；
回归任务的预测函数：Logistic regression，Ridge regression，Bayesian Regression，Kernel ridge regression，Nearest Neighbors Regression，Gaussian Process Regression (GPR)，Isotonic regression等
损失函数
同上，大家不用纠结名字，它是用来评估模型预测好坏的函数。
分类任务的损失函数：Square loss，Logistic loss，Exponential loss，Savage loss，Tangent loss，Hinge loss等；
聚类任务的损失函数：adjusted_mutual_info_score，adjusted_rand_score，completeness_score，v_measure_score等；
回归任务的损失函数：explained_variance，max_error，neg_mean_absolute_error，neg_mean_squared_error，r2，neg_mean_poisson_deviance等。
学习函数
同上，大家不用纠结名字，它是用来指导模型修正预测函数的函数。
梯度下降家族：Batch Gradient Descent，Stochastic Gradient Descent，Mini-batch Gradient Descent 等；
牛顿家族：牛顿法，阻尼牛顿法等；
拟牛顿家族： DFP，BFGS，L-BFGS等；
共轭梯度家族：FR，PRP等。
