机器学习(Machine Learning,ML) 是使用计算机来彰显数据背后的真实含 义，它为了把无序的数据转换成有用的信息。是一门多领域交叉学科， 涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技 能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人 工智能的各个领域，它主要使用归纳、综合而不是演绎。
目录
- 阅前必读
- 1. 机器学习基础
- 2. k-近邻算法
- 3. 决策树
- 4. 基于概率论的分类方法：朴素贝叶斯
- 5. Logistic回归
- 6. 支持向量机
- 7. 集成方法-随机森林和AdaBoost
- 8. 预测数值型数据：回归
- 9. 树回归
- 10. 使用K-均值聚类算法对未标注数据分组:k-means聚类
- 11. 使用Apriori算法进行关联分析
- 12. 使用FP-growth算法来高效发现频繁项集
- 13. 利用PCA来简化数据
- 14. 利用SVD简化数据
- 15. 大数据与MapReduce
- 16. 推荐系统
- 2017-04-08_第一期的总结
- 朴素贝叶斯讨论
