1 机器学习基础
1.机器学习算法通常较为简单，易于理解和实现。
2.KNN（K-近邻算法）线性回归 等这些算法不需要太多的数学基础。
3.机器学习主流框架的学习，如pytorch tensorflow paddlepaddle。
2 机器学习高级
1.高级机器学习算法通常更加复杂，涉及更多的数学和统计理论。
2.概率论知识的学习，高等数学知识的学习。
3.k均值聚类 、支持向量机等机器学习，学习算法的精讲
3 机器学习的定义
机器学习（Machine Learning）本质上就是让计算机自己在数据中学习规律，并根据所得到的规律对未来数据进行预测。
机器学习算法：包括线性回归、逻辑回归、聚类算法(K均值聚类)、决策树、朴素贝叶斯、深度学习(卷积神经网络CNN、循环神经网络RNN、长短时记忆网络LSTM)等算法。
4 机器学习分类
机器学习经过几十年的发展，衍生出了很多种分类方法，这里按学习模式的不同，可分为监督学习、半监督学习、无监督学习和强化学习。
想象一下教一个孩子认识动物：
监督学习：你拿着一张张动物卡片，告诉他“这是猫”、“这是狗”。
半监督学习：你只告诉他一部分卡片（比如10%）是什么，剩下的90%让他自己从已学的知识中去琢磨和归类。
无监督学习：你直接给他一堆动物卡片，但不告诉任何名字，让他自己根据形状、颜色等特征把相似的放在一起。
强化学习：你把他带到动物园，他每指着一个动物猜名字，猜对了就给糖吃（奖励），猜错了就没有糖甚至轻微惩罚。他需要通过不断试错来学会。
4.1 监督学习
核心思想： 提供带有“正确答案”的训练数据，让模型学习从输入到输出的映射关系。
数据形式： 有标签数据。
输入（Input）： 数据特征（Features），如图像的像素、文本的词汇。
输出（Output）： 标签（Label），如图像对应的“猫”或“狗”，邮件对应的“垃圾”或“非垃圾”。
目标： 学习一个函数，使得对于新的、从未见过的输入数据，能够预测出尽可能准确的输出。
主要任务：
分类：预测离散的类别标签。
例子：垃圾邮件过滤、图像识别、情感分析（正面/负面）、疾病诊断（是/否）。
回归：预测连续的数值。
例子：房价预测、股票价格预测、气温预测。
常见算法： 线性回归、逻辑回归、支持向量机、决策树、随机森林、神经网络等。
比喻： 就像学生拿着标准答案的习题集来学习，学会了解题模式后，再去解答没有答案的新题目。
4.2 无监督学习
核心思想： 从无标签的数据中自行发现内在结构、模式或分布。
数据形式： 只有输入数据，没有对应的输出标签。
目标： 探索数据本身的内在关系，而不是预测一个标签。
主要任务：
聚类：将数据分成不同的组（簇），使得同一组内的数据点彼此相似，不同组的数据点不相似。
例子：客户细分、新闻主题分组、基因序列分析。
降维：在尽量减少信息损失的前提下，将数据从高维空间压缩到低维空间。目的是简化数据、可视化、去除噪声。
例子：将三维数据展示在二维平面上（如PCA主成分分析）。
关联规则学习：发现数据中属性之间的有趣联系（“如果A发生了，那么B也很可能发生”）。
例子：购物篮分析（“买尿布的人经常也会买啤酒”）。
常见算法： K-Means聚类、层次聚类、PCA、自编码器等。
比喻： 就像给学生一堆没有答案和题目类型的杂乱数学题，让学生自己观察并把相似的题目归为一类，或者总结出题目的共同特点。
4.3 半监督学习
核心思想： 介于监督学习和无监督学习之间，同时使用少量有标签数据和大量无标签数据进行训练。
为什么需要它？ 在实际应用中，获取大量数据很容易（如爬取互联网图片），但为数据打上标签成本极高（需要人工一一标注）。半监督学习可以极大地降低对标注数据的依赖。
基本假设： 相似的数据点应该具有相似的输出。
工作方式： 模型先从少量的有标签数据中学习一个初步模型，然后用这个模型对无标签数据进行预测（称为“伪标签”），再利用这些伪标签数据来改进和优化模型，如此迭代。
例子：
在医学影像分析中，专家标注的CT扫描片（有标签）很少，但医院有海量的未标注CT片。可以用半监督学习来提升诊断模型的性能。
比喻： 老师只讲解了习题集里前10% 的题目（有答案），剩下的90%题目（无答案）让学生根据前面学到的知识自己完成，并鼓励学生通过研究这些未解答的题目来加深对知识的理解。
4.4 强化学习
核心思想： 一个智能体通过在环境中尝试不同的动作，根据动作结果获得的奖励或惩罚来学习最优策略。
核心要素：
智能体：学习者或决策者。
环境：智能体所处的外部世界。
状态：环境在某个时刻的情况。
动作：智能体可以做出的行为。
奖励：环境对智能体动作的反馈信号（一个数值）。
目标： 学习一个策略，使得智能体在一系列动作下能获得累积奖励的最大化。
特点： 没有“标准答案”，只有“奖励”信号。学习过程是试错的，并且通常具有时序性，当前的决策会影响未来的状态和奖励。
例子：
AlphaGo：动作是“落子”，奖励是“赢棋”（+1）或“输棋”（-1）。
自动驾驶：动作是“转向”、“加速”、“刹车”，奖励是安全行驶（正奖励）、撞车（负奖励）。
机器人学习走路：动作是控制关节电机，奖励是向前移动的距离。
比喻： 训练一只狗做动作。它做出了“坐下”的动作（Action），你就给它零食吃（Positive Reward）；它随地小便，你就批评它（Negative Reward）。狗通过不断地尝试和你的反馈，最终学会哪些行为会得到奖励，从而形成习惯（Policy）。
5 scikit-learn库
scikit-learn（有时也写作 sklearn）是一个基于 Python 语言的开源机器学习库。它构建在 NumPy、SciPy 和 Matplotlib 之上，提供了大量用于传统机器学习（统计学习）的算法工具，其特点是：
简单高效：无论是数据预处理还是模型训练，都有统一的接口，几行代码就能实现强大功能。
文档丰富：拥有极其完善的官方文档和大量的社区教程，学习资源非常丰富。
覆盖面广：涵盖了几乎所有主流机器学习算法，从数据预处理、特征选择、模型训练、评估到模型持久化。
业界标杆：是学术界和工业界公认的基准工具，广泛应用于数据挖掘、数据分析、人工智能等领域。
5.1 核心API设计：一致性原则
这是学习 sklearn 最关键的一点！几乎所有模块都遵循统一的接口设计，这使得学习和使用起来非常容易。最重要的三个接口是：
Estimator（估计器）：用于拟合/学习。任何可以基于数据集学习（拟合）参数的对象都叫估计器（例如，一个分类器、一个回归器、一个预处理工具）。学习通过 fit() 方法完成。
model.fit(X_train, y_train) # 学习模型参数
Predictor（预测器）：用于预测。许多估计器在学习后可以进行预测，它们会提供 predict() 方法。
y_pred = model.predict(X_test) # 用学习到的模型进行预测
一些估计器还提供 predict_proba()（预测概率）、score()（计算准确率等）方法。
Transformer（转换器）：用于数据转换。一些估计器可以转换数据集，它们提供 transform() 方法（有时也提供 fit_transform() 方法）。
X_scaled = scaler.transform(X) # 用学习到的规则（如均值、方差）转换数据
记住这个流程：创建对象 -> fit -> 转换/预测