《Scikit-Learn与TensorFlow机器学习实用指南》第1章机器学习概览

第1章机器学习概览

来源：ApacheCN《Sklearn 与 TensorFlow 机器学习实用指南》翻译项目
<https://github.com/apachecn/hands_on_Ml_with_Sklearn_and_TF>

译者：@SeanCheney <https://www.jianshu.com/u/130f76596b02>

校对：@Lisanaaa <https://github.com/Lisanaaa> @飞龙
<https://github.com/wizardforcel>

大多数人听到“机器学习”，往往会在脑海中勾勒出一个机器人：一个可靠的管家，或是一个可怕的终结者，这取决于你问的是谁。但是机器学习并不是未来的幻想，它已经来到我们身边了。事实上，一些特定领域已经应用机器学习几十年了，比如光学字符识别
（Optical Character Recognition，OCR）。但是直到 1990
年代，第一个影响了数亿人的机器学习应用才真正成熟，它就是垃圾邮件过滤器（spam
filter）。虽然并不是一个有自我意识的天网系统（Skynet），垃圾邮件过滤器从技术上是符合机器学习的（它可以很好地进行学习，用户几乎不用再标记某个邮件为垃圾邮件）。后来出现了更多的数以百计的机器学习产品，支撑了更多你经常使用的产品和功能，从推荐系统到语音识别。

机器学习的起点和终点分别是什么呢？确切的讲，机器进行学习是什么意思？如果我下载了一份维基百科的拷贝，我的电脑就真的学会了什么吗？它马上就变聪明了吗？在本章中，我们首先会澄清机器学习到底是什么，以及为什么你要使用它。

然后，在我们出发去探索机器学习新大陆之前，我们要观察下地图，以便知道这片大陆上的主要地区和最明显的地标：监督学习vs非监督学习，在线学习vs批量学习，基于实例vs基于模型学习。然后，我们会学习一个典型的机器学习项目的工作流程，讨论可能碰到的难点，以及如何评估和微调一个机器学习系统。

这一章介绍了大量每个数据科学家需要牢记在心的基础概念（和习语）。第一章只是概览（唯一不含有代码的一章），相当简单，但你要确保每一点都搞明白了，再继续进行学习本书其余章节。端起一杯咖啡，开始学习吧！

提示：如果你已经知道了机器学习的所有基础概念，可以直接翻到第2章。如果你不确认，可以尝试回答本章末尾列出的问题，然后再继续。

阅读全文
<https://github.com/apachecn/hands_on_Ml_with_Sklearn_and_TF/blob/dev/docs/1.%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%A6%82%E8%A7%88.md>

热门工具换一换

《Scikit-Learn与TensorFlow机器学习实用指南》 第1章 机器学习概览