极简机器学习讲义

学习机器学习已经有近半年时间了，从最初的数据统计，到数据分析，再到数据挖掘，再到机器学习，感觉一直在不断积累和深入。再次回过头来看时，似乎一切都没有想象的那么困难，技术本身都是比较简单的，难的是应用现有技术解决定向的问题，所以真正去讲解机器学习，可以用非常简要的方法来介绍。

大数据，数据挖掘，机器学习，深度学习其实是被大众喊烂的概念，不同的领域，不同知识储备的人会有不同的认知，有一张图能够戏剧性的解释这个现象：

通常解决定向问题，我们要做的就是利用现有成熟的机器学习库，简要编程语法，来进行计算训练，最终得出比较适用的模型来解决问题。那么通常我们机器学习所解决的问题类型分为分类问题、回归问题、聚类问题以及降维问题，这些问题我们可以利用scikit learn库来非常简单的完成，如下图：

根据不同的样本数量以及不同的数据特征，我们应用不同的模型算法来进行样本训练，通常我们的前辈已经有过N次试验，总结出许许多多场景和算法的最优配对，我们其实需要分析定向问题属于哪些场景，最终套用这些模型算法进行应用，从中省去了大量试错和训练的时间，比如下面论文中几种算法的实验结论分析：

当然，如果我们需要进行科研分析，或者遇到了一个非常特殊的场景，或者已有的资源和实验结论不能够满足解决当前问题场景，我们需要对于各个模型算法以及算法参数和超参数有足够的认识，并且需要大量大量大量的时间和实验去不断的调优，最红解决我们当前的问题。关于特征工程以及模型算法调优，超参数调优话题都是一个非常有深度的话题，后期我们会逐个进行极简介绍。