一、Power BI 支持的数据源类型Power BI支持广泛的数据源类型，包括文件、数据库、云服务和其他来源。文件：Excel、文本/CSV、XML、JSON、文件夹、PDF等。数据库：SQL Server, Oracle, IBM DB2, MySQL, PostgreSQL等。云服务：Azure SQL Database, Azure Blob Storage, Salesforce, Go

一、Power BI 支持的数据源类型Power BI支持广泛的数据源类型，包括文件、数据库、云服务和其他来源。文件：Excel、文本/CSV、XML、JSON、文件夹、PDF等。数据库：SQL Server, Oracle, IBM DB2, MySQL, PostgreSQL等。云服务：Azure SQL Database, Azure Blob Storage, Salesforce, Go

机器学习的模式：用训练集的数据，匹配一种算法，生成一个函数（h），这个函数可以输入x，产出y所以机器学习的关键在于：1、选择正确的算法，选择算法之后，函数h的形态就确定了，但是参数未知2、确定函数h的参数值：监督学习：通过训练集的x和y，共同确定参数值无监督学习：通过训练集的x，确定参数值最简单的算法：一元 线性回归(Linear Regression）相同的算法，不同的参数值：成本函数（Cost

吴恩达课程中，代码是用Octave写的，分为两个部分：1、定义代价函数；% 定义代价函数 Jfunction J = costFunctionJ(X, y, theta)m = size(X, 1); % 样本量predictions = X * theta; % 预测值sqrErrors = (predictions - y) .^2; % 预测值与真实值的方差J = 1/(2*m) * sum

多个分类的比例或数值，需要找到每一行最大的5个（或者n个）比例或数值，以及它们对应的类别，并输出

机器学习的模式：用训练集的数据，匹配一种算法，生成一个函数（h），这个函数可以输入x，产出y所以机器学习的关键在于：1、选择正确的算法，选择算法之后，函数h的形态就确定了，但是参数未知2、确定函数h的参数值：监督学习：通过训练集的x和y，共同确定参数值无监督学习：通过训练集的x，确定参数值最简单的算法：一元 线性回归(Linear Regression）相同的算法，不同的参数值：成本函数（Cost

吴恩达课程中，代码是用Octave写的，分为两个部分：1、定义代价函数；% 定义代价函数 Jfunction J = costFunctionJ(X, y, theta)m = size(X, 1); % 样本量predictions = X * theta; % 预测值sqrErrors = (predictions - y) .^2; % 预测值与真实值的方差J = 1/(2*m) * sum

（但这种关系创建往往是直接在不同表的同名字段间创建关系，不一定是我们想要的关系，还可能会导致后续数据分析的错误。表之间可以存在多个关系，但同时只能有一个关系处于活动状态（在模型关系图中用实线表示），其他的关系则处于非活动状态（用虚线表示）。不建议使用，因为如果两个表之间是一对一的关系，那更好的方法是把这两个表合并成一个。两个表的对应关系，关系是有次序的，分为左表和右表，两个表之间有多对一、一对一、

sklearn的datasets模块下，有一些自带的经典数据集，可以用load_xxx()形式的函数加载，本文介绍了这些经典数据集的内容、特征，以及加载它们的代码。

Power Query 的列分布、列质量、列概要功能，可以在没有进入分析之前，就粗略查看这列数据的分布和统计信息，方便数据的整理和清洗。