机器学习

简单的来说，机器学习就是把无序的数据转换为有用的信息。

机器学习的组要任务及相关算法

监督学习的用途
k-近邻算法	线性回归
朴素贝叶斯和算法	局部加权线性回归
支持向量机	Ridge 回归
决策树	Lasso 最小回归系数估计

无监督学习的用途
K-均值	最大期望算法
DBSCAN	Parzen 窗设计

开发机器学习应用程序的步骤

1. 收集数据。可以使用公开可用的数据源。
2. 准备输入数据。确保数据符合算法要求。
3. 分析输入数据。人工分析前两步得到的数据，检查数据是否有效、是否存在异常值，通过图形化展示数据。
4. 训练算法。将前两步得到的格式化数据输入到算法，从中抽取数据和知识;将得到的知识存储为计算机可以处理的格式，方便后续步骤使用。

   如果使用无监督学习算法，由于不存在目标变量值，故而也不需要训练算法，所有与算法相关的内容都集中在第5步。

5. 测试算法。这一步将实际使用第4步得到的知识信息。为了评估算法，必须测试算法工作的效果。

   对于监督学习，必须已知用于评估算法的目标变量值;
   对于无监督学习，与必须用其他评测手段来检验算法的成功率。

6. 使用算法。将机器学习算法转换为应用程序，执行实际任务，以检测上述步骤是否可以在实际环境中正常工作。