机器学习的算法介绍
首先，机器学习的目的是什么？
让机器在数据中寻找规律，得出结论；利用结论来服务人类。
机器在数据中寻找规律时，所遇到的问题都有什么？
- 数据类别问题
- 数据特征问题
- 数据处理问题
- 算法问题
- 模型问题
- 结果验证问题
- 模型评估优化问题
- 其他问题（遇到傻逼怎么办）
所有的问题都可以利用现有的知识，尝试解决。佛祖保佑，永无BUG
机器学习算法的类别介绍
机器学习将算法分了三类 : 监督学习、非监督学习、强化学习
监督学习
定义：有人监督你写作
使用数据是-> 特征值 + 目标值
非监督学习
定义：无人监督你写作业
使用数据是-> 特征值
强化学习
定义：通过观察来学习。比如，菜鸡通过观看大神直播来提高英雄操作技术。
数据分类
所有的数据都可以分成两类： 离散型 ， 连续型
将上述内容组合一个会发生什么？
缺失部分以后补充
那么每一种算法分类的下面，都有那些具体的算法？
这些算法的使用场景是什么？
这些算法的使用限制又是什么？
这些算法的核心思想是什么？
这些算法的缺点与不足，它们是如何规避的？
如何证明计算的结果就是我们所需要的？
可以利用 交叉验证 ， 网格搜索 来验证
交叉验证
太晚了，自己看吧 交叉验证概念
网格搜索
同上 网格搜索概念