###前言

我想通过这三年，充分学习有关机器学习的知识，目前的计划为：1.《机器学习实战》全书学习；2.python网络爬虫收集网络数据；3.深度学习；4.python进一步学习（小甲鱼视频）。本类文章主要针对第一部分，其他部分有时间我也会总结上传，有兴趣的童鞋可以相互交流或者批评指正。

 《机器学习实战》 我是按自己的学习步骤，详细地介绍《机器学习实战》这本书的所有内容。因为互联网上大家的学习信息比较繁多，而新手（就是说我这种的。。。）往往连试运行都不知道怎么做，所以在这里我将自己得来的每个细节（例如有些：python2.X版本代码怎么调到3.X版本，其他小工具或者坑）展示出来。尽量做到准确、充实，当然定下决心写这个博客，也是因为受到了自己工大师兄姜晔的影响，他的博客是http://blog.csdn.net/ioio_jy，讲了他的生活历程，很有意思。有兴趣的童鞋也可以去瞅一瞅。 第一章 机器学习基础

废话少说，先上配置：
| —— python 3.5
| —— Anaconda3 (32-bit)
新手起飞，第一步是配置问题。本书代码是用python来写，这门语言呢，感受是里面的数据类型用起来适合计算，再加上缩进和不写分号等等优点（前者也算优点，代码规范）。我个人下的是python3.5的版本（原因是看的廖雪峰大大的教学文档/(ㄒoㄒ)/~~），而python因为种种原因，不支持向下兼容。那么如果你是装了3.X的版本的话，那么可以参照我的文章浏览下。
Anaconda3是为了避免pip numpy库时复杂的依赖安装，直接一步到位。里面还有个 spyder（据说是和MATLAB一样的东西，没怎么用过，后期多用用）。
另外代码管理可以试试git，廖大大那里也有教程（神马？哪里有，直接问度娘：“廖雪峰git”）。
我们直接看第一章“介绍”，我个人总结如下：
1.机器学习分类

（1）监督学习：这类算法必须知道预测什么，即目标变量的分类信息。（point：给定样本信息）
按任务目标，再分为：
Ⅰ.分类：用于标称型，有k-近邻、决策树、朴素贝叶斯、支持向量机；
Ⅱ.回归：用于数值型，有线性回归、局部加权、Ridge回归、Lasso
（2）无监督学习：没有类别信息，也不会给定目标值。
按任务目标，再分为：
Ⅰ.聚类：将数据集合分成由类似的对象组成的多个类；
Ⅱ.密度估计：寻找描述数据统计值
2.如何选择（processon做图）

3.步骤

收集数据→准备输入数据→分析输入数据→训练算法（无监督无此步骤）→测试算法→使用算法