一、何为机器学习(Mechine Learning)？

答：利用已有数据(经验)，来训练某种模型，利用此模型来预测未来。机器学习是人工智能的核心Mechine Learning。
例如：你和狗蛋儿7点在老槐树下集合，如何一块约去开黑，前两次狗蛋儿都7点10分才到。这两次狗蛋晚到10分钟就是经验。之后你会通过自己的经验判断，下次你会不会出发时晚10分钟，从而利用这10分钟干些有意义的事情。
对于机器学习而言就是拟人。7点集合这人来说是经验，此时需要将转化为数据给计算机，
人是可以通过自己的思维方式来进行做出判断，下次狗蛋儿会不会还晚到10分钟；对于计算机而言则是通过算法来进行判断。
计算机将一系列的数据通过自己的算法来训练出某种模型，通过训练出来的模型来预测未来，判断狗蛋儿下次是否还会晚到10分钟。这里的是否会晚到10分钟就是个二分类的问题，机器会求出一个概率，通过probably来进行判断。
在机器学习中，数据为王。数据得多、好，最后的预测才会越准。

二、对应关系

模式识别 = 机器学习
数据挖掘 = 机器学习 + 数据库
统计学习 ≈ 机器学习
计算机视觉 = 图像处理 + 机器学习
语音识别 = 语音处理 + 机器学习
自然语言处理 = 文本处理 + 机器学习

三、有监督机器学习流程

有监督学习：数据中得包含x和最后的结果y。将数据分为两部分，TrainSet和TestSet，其中TrainSet是用于训练的数据集；TestSet为测试用的数据集，机器训练阶段不会遇见，也成为新数据集。
有监督的机器学习主要的有分类、回归这两大类的应用。
将训练集数据代入相应的算法(公式)中得到对应的模型(参数)。有了模型之后，将测试集数据带入模型中，得到预测的结果，并与测试集中的数据结果进行比较评估即可。

四、有监督机器学习训练流程

五、scikit-learn库

SK-Learm

六、回归

可以拿正态分布为例，比如身高，若平均身高为1.78m，绝大多数人都是1.78m左右，超过2m的很少，低于1m的也不多。
很多事情都会回归到一定的区间之内。

七、线性回归

线性：一次方关系，y=a+b*x，各点连接可以形成一条直线。
线性即量与量之间按比例、呈直线的关系，在空间和时间上代表规则和光滑的运动。
总结起来：线性回归就是①数据y和x呈一次方关系、②数据中的每条记录都符合正态分布