机器学习作业1
作业要求：
1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。
2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。
3）什么是机器学习，有哪些分类？结合案例，写出你的理解。
1）我使用软件为pycharm，电脑安装了python3.7
已经具备的包有：
学习笔记:
一、机器学习概论
1.机器学习是什么？
2:35
通俗来讲：
35:22
2.机器学习一般流程（37:42）
3常用的数学函数的导数
4.积分的运用
分步积分法：
82:00：
二、Python基础
常用的命令：
Python库：
- Pip：安装Python包的推荐工具
- Numpy：为Python提供快速的多维数组处理能力
- Pandas：在Numpy基础上提供了更多的数据读写工具
- Scipy：在Numpy基础上添加了众多科学计算工具包
- Matplotlib：Python丰富的绘图库
Pip：
- 下载包：pip install 包名
- 更新包：pip install 包名 --upgrade
- 卸载包：pip uninstall 包名
- 查看安装包：pip list
类/继承类：定义类是通过class关键字，当我们定义一个class的时候，可以从 某个现有的class继承，新的class称为子类，而被继承的class称为基类、父类或
超类。
- 导入包：import 模块名 [as 别名]
- from 模块名 import 包名（从模块包中导入一个指定包）
绘图的主要属性：
- figure：可以绘制一个制定大小的画布
- grid：可以自定义网格，其中linestyle为线条类型，alpha为透明度
- title：可以设置标题
- legend：可以显示图例
- xticks：自定义X轴内容
- yticks：自定义Y轴内容
- xlable：自定义X轴图例
- ylabel：自定义Y轴图例
- show：可以显示图像
- plot：绘制折线图
- bar：绘制柱状图，width可自定义柱体大小，color自定义每个柱体颜色（颜色必须传入为列表且与len(x)相对应）
- hist(x,bins=group_num,density=True)：绘制直方图，其中x为传入的数据集，bins为传入的组数，density默认为False（是否显示频度）
3）什么是机器学习，有哪些分类？结合案例，写出你的理解。
1.什么是机器学习？
对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E;随着提供合适、优质、大量的经验E，该程序对于任务T的性能逐步提高。
这里最重要的是机器学习的对象:
①任务Task,T，一个或者多个
②经验Experience,E
③性能Performance,P
即:随着任务的不断执行，经验的累积会带来计算机性能的提升。
通俗的讲：
机器学习是人工智能的一个分支。我们使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习;随着训练次数的增加，该系统可以在性能上不断学习和改进;通过参数优化的学习模型，能够用于预测相关问题的输出。
2.机器学习有哪些分类？
机器学习主要分为四类：监督学习、无监督学习、增强学习。
监督学习：
在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network）
例子：你小时候见到了狗和猫两种动物 奶奶告诉你狗是狗，猫是猫，从此你知道了狗是狗，猫是猫这是监督学习。
无监督学习：
即没有标注的训练数据集，需要根据样本间的统计规律对样本集进行分析， 根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。
例如：给出一堆三角形和一堆圆形，根据当前样本统计的规律，它能将这两类分成两堆不同的集合，一堆三角形，一堆圆形，再比如你小时候见到了狗和猫两种动物 没人告诉你哪个是狗哪个是猫 但你根据他们样子、体型等特征的不同鉴别出这是两种不同的生物 并对特征归类 这是无监督学习
强化学习：
强化学习是试错学习(Trail-and-error)，由于没有直接的指导信息，智能体要以不断与环境进行交互，通过试错的方式来获得最佳策略。
例如：学习走路，如果摔倒了，那么我们大脑后面会给一个负面的奖励值，说明走的姿势不好。然后我们从摔倒状态中爬起来，如果后面正常走了一步，那么大脑会给一个正面的奖励值，我们会知道这是一个好的走路姿势，从此学会了正确的走路方式，这是强化学习。