一，大数据的基本公式：
机器学习就是在获得很多组的x数据和y数据以后获得F映射的一个过程
深度学习是机器学习的一部分，就是在获得data后提取出x数据的过程
如果数据y用来模仿人类的行为，例如自动驾驶等，就称其为人工智能
二，机器学习方法分类：
1，有监督学习
就是数据y包含已经有的结果标签
用处：回归，分类
2，无监督学习
只有数据x，没有结果数据y
用处：聚类，降维，排序，密度估计，关联规则挖掘
3，强化学习
没有数据，通过模拟和观察生成数据进行学习
三，机器学习基本概念：
数据集：一组样本的集合
样本：一条数据的一行
特征：样本里面每一个可变的数据
训练集：用来训练模型
测试集：用于测试模型
模型：建立数据x和数据y的映射关系
损失函数：和实际值进行对比
优化目标：
机器学习一般流程：
四， 常见问题
过度拟合问题：模型过于复杂，导致对已知数据预测很好，对未知预测很差
解决方法：
模型选择：
交叉验证，重复使用数据
机器学习的数学结构：
度量结构：
以文章相似度为例：
以字为坐标，字频为坐标值，将其表示为一个向量，然后两个文章求余弦，得出相似度
网络结构：
提取中心句为例：
将文本分成句子，将句子进行相似度比对，将句子连成网络形式
选出出度，入度最大的即为中心句
代数结构：
集合结构：
..........