之前已經看過，李航的統計與學習方法，對於機器學習相關算法的理論有了一定的了解，但是感覺對於實際的代碼編寫還有所欠缺，然后就打算花時間將機器學習實戰這本書好好看一下，順便學習一下python
估計看本書的讀者大多都會忽略本書的第一章節，但是第一章我也是認真的看了一遍，里面講了機器學習的重要性，機器學習的主要任務，以及比較重要的如何選取合適的機器學習算法，最后總結了機器學習開發應用程序的重要步驟
下面我就來一一進行總結和整理：
（1）機器學習的重要性
機器學習的重要性不言而喻，它可以幫助我們解決生活當中的很多問題，比如預測鳥的種類，有時我們不可能在發現一種我們不知道的鳥的種類時，去請教鳥類的專家，這個時候，如果我們根據目前已有的關於鳥種類特征的數據，我們就可以訓練得到相關預測鳥類別的模型，當滿足精度要求后，我們就可以通過輸入相關的特征，從而預測出鳥的類別。因為，我們只是想獲取鳥類的相關信息，而不需要大費周章的去預約一個鳥類相關的專家
總之，機器學習確確實實給我們的生活帶來很多方便，並且一直在推動社會的發展
（2）機器學習的主要任務
分類是機器學習的一項主要任務，主要是將實例數據划分到合適的分類中。機器學習的另外一項任務是回歸，主要是預測數值型的數據，比如通過數據值擬合曲線等。
分類和回歸屬於監督學習，這類算法必須知道預測什么，即目標變量的分類信息
與監督學習相對應的是無監督學習，此時數據沒有類別信息，也不會給定目標值。在無監督學習中，將數據集合分成由類似的對象組成的多個類的過程稱為"聚類";將尋找描述數據統計值的過程稱之為密度估計
| 監督學習的用途 | ||
| k近鄰算法 | 線性回歸 | |
| 朴素貝葉斯算法 | 局部加權線性回歸 | |
| 支持向量機 | Ridge回歸 | |
| 決策樹 | lasso最小回歸系數設計 |
| 無監督學習的用途 | ||
| k-均值 | 最大期望算法 | |
| DBSCAN | Parzen窗設計 |
1 使用機器學習算法的目的，想要完成什么任務，比如是預測明天下雨的概率還是對投票者按照興趣分組；
想要選擇合適的算法，必須考慮以下兩個問題：（3）如何選擇合適的算法
首先考慮機器學習算法的目的。如果想要預測目標變量的值，則可以選擇監督學習算法，否則可以選擇無監督學習。確定選擇監督學習算法后，需要進一步明確目標變量的類型，如果目標變量是離散型，則可以選擇分類算法；如果是連續型，則需要選擇回歸算法。
如果不想預測目標變量的值，就選擇無監督學習方法。進一步分析是否需要將數據划分為離散的組。如果需要並且不需要估計數據與每個分組的相似程度，那么可以選擇聚類算法。否則可以選擇密度估計算法。
2 需要分析和收集的數據是什么
我們需要考慮實際的數據問題，應該充分了解數據，對實際數據了解的越充分，越容易創建符合實際需要的應用程序。
主要應該了解數據的以下特征：
1)特征值是離散型變量還是連續型變量
2）特征值中是否有缺失的值，何種原因造成
3）數據中是否有異常值
4）某些特征發生的頻率如何
通過上面對數據的充分了解，可以幫助我們縮小算法的選擇范圍，一般並不存在最好的算法和可以給出最好效果的算法，一般發現最好算法的關鍵環節是反復試錯的迭代過程
（4）開發機器學習應用程序的步驟
1 收集數據：我們可以通過很多方法手機數據，比如制作網絡爬蟲從網站抽取數據，也可以使用公開的數據源
2 准備輸入數據：得到數據之后，還必須確保數據格式符合要求，使用標准的數據格式可以融合算法和數據源，方便匹配操作；此外，還要為機器學習算法准備特定的數據格式，一般某些算法要求目標變量和特征值是字符串變量，而另外一些算法則可能要求是整數類型。
3 分析輸入數據：主要是人工分析得到的數據，確保數據中沒有垃圾數據。
4 訓練算法：將前兩步得到的格式化數據輸入到算法，從中抽取信息
5 測試算法，為了評估算法，必須測試算法工作的效果。對於監督學習，必須已知用於評估算法的目標變量值；對於無監督學習，也必須用其他評測手段來檢驗算法的成功率。如果不滿意算法的輸出結果，不改變算法的前提下，問題常常與數據的收集和准備有關
6 使用算法：將機器學習算法轉化為應用程序，執行實際任務，以檢驗上述步驟是否可以在實際環境中正常運行。
總之，對待實際的問題時，我們要充分了解當前數據的信息，充分利用數據的信息，借此選擇出相對較好的機器學習算法，來幫助我們更好的解決實際的問題