本文目录：
- 一、机器学习算法分类
- 1.分析1.2中的例子
- 分类问题
- 回归问题
- 无监督学习
- 2.总结
- 3.练习
- 4.机器学习算法分类
- 二、 机器学习开发流程
- 三、学习框架介绍
- 【系列好文推荐】
📢📢📢📣📣📣
🌻🌻🌻Hello，大家好我叫是Dream呀，一个有趣的Python博主，多多关照😜😜😜
🏅🏅🏅作者简介：Python领域优质创作者🏆 年度博客之星🏆 阿里云专家博主🏆 华为云享专家🏆 51CTO专家博主🏆
💕入门须知：这片乐园从不缺乏天才，努力才是你的最终入场券！🚀🚀🚀💓最后，愿我们都能在看不到的地方闪闪发光，一起加油进步🍺🍺🍺 🍉🍉🍉一万次悲伤，依然会有Dream，我一直在最温暖的地方等你~🌈🌈🌈
🌟🌟🌟✨✨✨
前言： ❤️本文选自： 【零基础学Python】本课程是针对Python入门&进阶打造的一全套课程，在这里，我将会一 一更新Python基础语法、Python爬虫、Web开发、 Django框架、Flask框架以及人工智能相关知识，帮助你成为Python大神，如果你喜欢的话就抓紧收藏订阅起来吧~💘💘💘
一、机器学习算法分类
1.分析1.2中的例子
分类问题
特征值：猫/狗的图片；目标值：猫/狗-类别
分类问题↑
回归问题
特征值：房屋的各个属性信息；目标值：房屋价格-连续型数据
回归问题
无监督学习
特征值：人物的各个属性信息；目标值：无
无监督学习
2.总结
3.练习
说一下它们具体问题类别：
1、预测明天的气温是多少度？：回归问题
2、预测明天是阴、晴还是雨？：分类问题
3、人脸年龄预测？：回归/分类
4、人脸识别？：分类
4.机器学习算法分类
- 监督学习(supervised learning)（预测）
定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限个离散值（称作分类）。
分类： k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络
回归 ：线性回归、岭回归 - 无监督学习(unsupervised learning)
定义：输入数据是由输入特征值所组成。
聚类 k-means
二、 机器学习开发流程
流程图：
三、学习框架介绍
需明确几点问题：
（1）算法是核心，数据与计算是基础
（2）找准定位
大部分复杂模型的算法设计都是算法工程师在做，而我们
- 分析很多的数据
- 分析具体的业务
- 应用常见的算法
- 特征工程、调参数、优化
机器学习库与框架
书籍资料
欢迎订阅本专栏： 零基础学Python 系列课程是针对Python入门&进阶打造的一全套课程，在这里，我将会一 一更新Python基础语法、Python爬虫、Web开发、 Django框架、Flask框架以及人工智能相关知识，帮助你成为Python大神，如果你喜欢的话就抓紧收藏订阅起来吧~💘💘💘
💕💕💕 好啦，这就是今天要分享给大家的全部内容了，我们下期再见！✨ ✨ ✨
🍻🍻🍻如果你喜欢的话，就不要吝惜你的一键三连了~
