《机器学习与R语言》读书笔记1：机器学习简介

大数据分析领域得基本技能之一是对数据的探索、分析和预测，而探索和分析数据的基本理论和工具是机器学习和数据挖掘。机器学习的核心是将信息转化为可行动智能的算法，它提供了应用计算机并把数据转换成可行动的知识的工具集合，它的的研究领域是发明计算机算法，把数据转化为智能行为。

机器学习的一个紧密相关的学科是数据挖掘，它涉及从大型的数据库中产生新的洞察；机器学习侧重执行一个已知的任务，而数据挖掘侧重寻找有价值的信息。

机器学习定义：

如果机器能够获取经验并且能利用它们，在以后的类似经验中能够提高它的表现，该机器就称为机器学习。

基础的学习过程：

数据输入：利用观察、记忆存储，以及回忆来提供进一步推理的事实依据

抽象化：涉及把数据转换成更宽泛的表现形式

一般化：应用抽象的数据来形成行动的基础

训练：

用一个特定的模型来拟合数据集的过程

将机器学习应用于数据中的步骤：

1.收集数据（文本、表格、数据库等，转为适合分析的电子格式）

2.探索数据和准备数据

3.基于数据训练模型

4.评价模型的性能

5.改进模型的性能

机器学习中最常用的数据形式：矩阵格式的数据（案例、特征）

机器学习算法分类：

1.用来建立预测模型的有监督学习算法（分类）

2.用来建立描述模型的无监督学习算法（聚类）

机器学习算法类型：

（模型 任务）

有监督学习算法：

最近邻 分类

朴素贝叶斯 分类

决策树 分类

分类器 分类

线性回归 数值预测

回归树 数值预测

模型树 数值预测

神经网络 双重用处

支持向量机 双重用处

无监督学习：

关联规则 模式识别

k均值聚类 聚类

（任务：分类、数值预测、模式识别、聚类）