机器学习的入门与实践——从基础概念到应用案例
1.机器学习的基础概念：
通过数据学习规律并优化模型的系统。其中核心分为：监督学习，非监督学习及强化学习。其中的关键术语有：特征，标签，训练集，测试集。
2.机器学习与深度学习对比：
机器学习的核心原理在于用统计算法，通过人工设计的特征工程来学习数据中的摸尸1，代表的模型有：支持向量机，决策树，随机森林，逻辑回归。通常早中小型数据集上表现良好。
深度学习的核心原理在于利用多层神经网络，自动从原始数据中提取和学习特征。代表模型有：卷积神经网络，循环神经网络。通常需要大规模，高质量的标注数据。对计算资源要求极高，通常需要GPU、TPU支持。他的模型决策过程复杂，被称为“黑箱”，解释性较差。
3.机器学习核心算法
监督学习：线性回归（单变量线性回归、多变量线性回归)、逻辑回、决策树
非监督学习：K-Mean聚类、PCA降维
强化学习：AlphaGo、自动驾驶决策系统
4.线性归回原理与案例
原理：利用代价函数与其优化：先设定一个代价函数，再用梯度下降法，迭代更新参数以最小化代价函数，最后用代价函数的碗型曲面与梯度下降路径表现。
可视化案例：如房屋尺寸与价格预测：1.加载数据、2.训练模型、3.回执散点图与拟合直线
