1. 什么是机器学习
（由于图床原因导致部分图片错位，可以借鉴着看）
- 语音识别
- 算法推荐
- 人脸识别
- 垃圾邮件过滤
- 贷款资格审核
2. 学习的概念
-
与经验有关
-
学习可以改善系统性能
-
学习是一个有反馈的信息处理与控制过程
3. 学习分类：
-
机械学习-死记硬背
-
传授学习
-
类比学习
-
归纳学习
-
基于解释的学习
-
观察与发现学习–聚类（找相似，概念聚类，发现学习–归纳推理）
4. 什么是机器学习
-
把无序的数据变为有用的信息
5. 机器学习算法
# 与传统区别（简答题）
传统基于规则：1，使用显性编程解决问题。2，规则可以被人工规定
机器学习：1，使用样本训练，2，决策的规则负责或者难以描述。3.机器自动规则学习
6. 如何进行机器学习
-
学习如何分类
-
训练集是用于训练机器所用的样本集合
-
目标变量
与ft预测结果进行对比的变量值，在分类算法中类型通常为布尔型，在回归算法中通常为连续性
7. 什么时候使用机器学习
8. 机器学习分类
- 无监督学习（聚类）
- 监督学习（回归–线性回归，分类–逻辑回归）
- 半监督学习
- 强化学习
9. 模型（算法）
好的模型–（简答题/填空题）
泛化能力强，可解释强，课扩展性强，预测速率快
模型的有效性–（简答题/填空题）
泛化能力，误差，欠拟合，过拟合
过拟合的原因
机器学习性能评估-分类
机器学习的性能评估-回归
9. 性能评估计算题–（计算题）
计算精度，召回率，准确率
10. 线性回归
定义：
训练线性回归模型
线性回归代码
三个必须会用的函数–fit,score,predict–都需要输入参数
11. 逻辑回归（分类问题）
定义
12. 支持向量机–svm
逻辑回归的强化
13. 核函数
定义
核函数分类
-
线性核函数
2.多项式核函数
-
RBF径向基核函数
-
sigmoid核函数
14. svm和核函数
15. 决策树
-
概念
-
相关术语–熵，信息增益，基尼不纯度
-
-
16. 决策树的计算–（计算题）–借鉴ppt
三个算法（id3，c4.5,CART）
17. 朴素贝叶斯
拉普拉斯平滑
朴素贝叶斯使用
(老师要求背下来)
18. knn算法
knn优缺点
核函数的选择和使用
