live 简介
谁适合本课程？
如果你想成为数据分析、大数据、机器学习、人工智能领域的稀缺人才，零基础即可加入。你将从本次课程中学到什么？
我比较喜欢用豆瓣来找到自己喜欢的电影，之前我喜欢《谍影重重》，然后豆瓣就推荐了与这部电影类似的电影《碟中谍》给我。
同样的，在你使用淘宝购物的过程中，淘宝也会根据你以往的购物喜好，为你推荐商品。
在使用QQ音乐的过程中，QQ音乐也会根据你的喜好，为你推荐歌曲。
可以说，这样的推荐系统在我们的日常生活中无处不在。这次课程我们聊聊推荐系统是如何找到用户喜欢的商品的，课程内容包括：
1）什么是分类问题？
2）什么是逻辑回归？
3）逻辑回归-Python实现
4）你将挑战的项目：如何用“学习时间”预测“考试是否通过”？
内容大纲
- 什么是分类问题？
- 什么是逻辑回归？
- 逻辑回归-Python实现
- 回归和分类的区别
1、如何超过你的同龄人？
2、QQ音乐如何推荐歌曲？
推荐系统在我们的日常生活中无处不在，推荐系统是如何预测出用户喜欢那些商品的呢？下面我们通过一个歌曲推荐的例子看一下背后的秘密。
3、什么是训练数据和测试数据？
为了简单起见，我们只使用歌曲的两种特征：节奏和强度。图中二维表的数据是QQ音乐中我的听歌历史数据，为了简单起见，只放出了前3条数据。
这里我们把数据分成两部分：训练数据集和测试数据集。训练数据是用于机器学习算法，之后形成我们的机器学习模型；测试数据是用来验证模型的准确率。一个经验：通常随机从数据集中抽取80%的数据用于训练数据集，剩下的20%的数据用于测试数据集。
散点图中横轴X表示歌曲的节奏，从左到右表示歌曲节奏由弱到强；纵轴Y表示歌曲的强度。图中黄色点是我喜欢的歌曲，绿色点是我不喜欢的歌曲。歌曲《理想》节奏适中，强度也适中，因此它就对应图中箭头所指的数据点。现在假设我们遇到了一首新的歌曲，位于图中红色点的位置，那我是喜欢这首歌呢还是不喜欢呢？下面我们来看看机器学习模型是如何起作用的。
4、分类问题的本质是什么？
机器学习模型对于这种分类问题，它可以定义一个决策面，决策面通常位于两个不同类之间的某个位置上。在图中这个歌曲例子中，落在决策面一侧的黄色点预测的是我喜欢的音乐，在另一侧预测的是我不喜欢的音乐。有了这个决策面，当有新数据过来时，就可以预测出属于哪个分类了。比如图中红色点落在了决策面黄色点所在的区域，那么可以预测红色点代表的歌曲是我喜欢的音乐。
所以对于分类问题，机器学习模型所做的事情其实简单：它能够将训练数据的特征和标签转化成这样一个决策面。机器学习中有很多现成的模型可供我们使用来生成这个决策面，这些会放到后面去讲，这里我们重点理解机器学习处理分类问题的过程。
5、如何判断分类结果的准确性？
现在假设我们已经使用训练数据和机器学习算法做好了模型，接下来问题就是如何判断分类结果的准确性？
通常我们使用正确率这个指标来衡量机器学习模型的好坏，正确率可以通过测试数据集得到。
正确率是指给模型输入测试数据以后，模型预测的结果中正确分类的数据个数占测试数据集中所有数据的比率。
6、练习：听歌曲《理想》了解机器学习如何分类
后面的课程章节需要用到线性回归的知识，需要你提前预习课程《机器学习入门：简单线性回归》（长按此处打开链接）：https://www.zhihu.com/lives/934023671148949504
7、建立数据集
逻辑回归虽然名字里带着回归两个字，但其实它不是回归算法，而是一个分类算法。
逻辑回归本质上是一个用于二分分类的算法。那么什么是二分分类呢？二分分类是指我们的分类结果标签只有两个，比如输入歌曲的信息，经过逻辑回归算法，输出两个标签：喜欢or不喜欢。在这个二分分类问题中就可以使用逻辑回归算法。
8、什么是逻辑回归？
逻辑回归之所以叫回归，是因为它的逻辑函数的参数z是一个回归函数。
逻辑函数值y表示当分类结果的标签为1时，x对应的概率值。举个例子：在图中x=2，也就是学生
为考试学习时间是2小时时，对应的逻辑函数值y=0.25，表示分类结果标签是1的概率是0.25。也就是学生为考试学习时间是2小时，这名学生通过考试的概率为0.25。
9、练习：逻辑回归相关概念
10、逻辑回归-Python实现
到这里你可能会想机器学习模型也太不准确了。其实并不是这样的，因为我们这里的训练数据的数据量太少。在实际的建模中，训练数据越多，模型的正确率也就越高。这就跟我们人类的大脑一样，当我们经历过的事情越来越多，我们的经验值就会越来越高，下次有类似的事情出现时，我们的判断正确率也会提高。
11、进一步理解逻辑回归
12、练习：如何用“学习时间”预测“考试是否通过”
通过前面课程的学习，我们知道了逻辑回归其实是在线性回归的基础上套用了一个逻辑函数，但也就是因为这个逻辑函数，使得逻辑回归成为了机器学习领域中一颗耀眼的明星，它更是计算广告学的核心。在对广告点击率进行预测时，因为用户要么点击了广告要么没点，我们可以通过这个逻辑回归给出一个概率值，就可以通过这个概率值来判断用户是否要进行点击广告的行为，从而对用户的行为进行预测。
13、分类和回归有什么区别？
14、总结
