一种监督（有标签，比如把人分成北大和清华的）学习算法，用于分类和回归问题。一般是基于数学，或者统计学的方法，具有很强的可解释性（就是说得通，有道理，令人信服）。使用距离度量（通常是欧氏距离（三维空间））来衡量数据点之间的相似性。Loss的大小就衡量了我们选择的这个函数的好坏。（1）太大：容易走过头。（1）深度学习是机器学习的一个子集。当w_0处的导数大于0时：往左走。当w_0处的导数小于0时：往右

深度学习模型由多个层次组成，每一层都应用非线性激活函数对输入数据进行变换。较低的层级通常捕捉到简单的特征（如边缘、颜色等），而更高的层级则可以识别更复杂的模式（如物体或面部识别）。深度学习模型通常需要大量的标注数据和强大的计算资源（如GPU）来进行训练。深度学习模型内部的运作机制相对不透明，被称为“黑箱”，这意味着理解模型为什么做出特定决策可能会比较困难。与传统机器学习算法不同，深度学习能够自动从

深度学习通过模仿人脑的神经网络来处理和分析复杂的数据，从大量数据中自动提取复杂特征。这也是深度学习被看做黑盒子，可解释性差的原因。深度学习是基于人工神经网络，深度是指网络中使用多层，每层都通过非线性变换处理数据，并逐渐提取出更复杂、更抽象的特征。而深度学习方法不需要人工，而是依赖算法自动提取特征。深度学习是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。深度学习是机器学习中一种基于对

赋予计算机学习能力而不需要明确编程的研究领域。

黑马程序员同学就业薪资表样本(sample) ：一行数据就是一个样本；多个样本组成数据集；有时一条样本被叫成一条记录特征(feature) ：一列数据一个特征，有时也被称为属性标签/目标(label/target) ：模型要预测的那一列数据。本场景是就业薪资就业薪资 与 培训学科、作业考试、学历、工作经验、工作地点 5个特征有关系特征如何理解（重点）：特征是从数据中抽取出来的，对结果预测有用的信息

有监督学习：输入数据是由输入特征值和目标值所组成，即输入的训练数据有标签的。无监督学习：输入数据没有被标记，即样本数据类别未知，没有标签，根据样本间的相似性，对样本集聚类，以发现事物内部结构及相互关系。工作原理：1、让专家标注少量数据，利用已经标记的数据（也就是带有类标签）训练出一个模型2、再利用该模型去套用未标记的数据3、通过询问领域专家分类结果与模型分类结果做对比，从而对模型做

归一化：（当前值 - 最小值）/（最大值 - 最小值）特征预处理包括：归一化、标准化（掌握）

Tip：在整个建模流程中，数据基本处理、特征工程一般是耗时、耗精力最多的。

1、拟合：用在机器学习领域，用来表示模型对样本点的拟合情况。2、欠拟合：模型在训练集上表现很差、在测试集表现也很差。3、过拟合：模型在训练集上表现很好、在测试集表现很差。

1、简单高效的数据挖掘和数据分析工具2、可供大家使用，可在各种环境中重复使用3、建立在NumPy，SciPy和matplotlib上4、开源，可商业使用-获取BSD许可证安装方法： pip install scikit-learn官网： https://scikit-learn.org/stable/