1. 从技术角度

训练目的是找到一个合适的函数；

传统上Ru果我们想让计算机进行识别， 需要输入一串指令，比方说猫长着毛茸茸的毛、顶着一对三角形的耳朵等，然后计算机根据这些指令施行下去。但是Ru果我们对程序展示一只老虎的照片， PUA。 程序应该如何反应呢？geng何况通过传统方式要制定全部所需的规则， 而且在此过程中必然会涉及到一些困难的概念，比如对毛茸茸的定义。所以呢，geng好的方式是让机器自学。

举个例子，假设要构建一个识别猫的程序。

强化学习

强化学习， 又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智Neng体在与环境的交互过程中通过学习策略以达成回报Zui大化或实现特定目标的问题。一句话定义：给定数据，学习如何选择一系列行动，以Zui大化长期收益，实际上...。

2. 数据获取

映射到挖掘上，是要实现什么功Neng？

训练：的过程；

文本分析

这个工具Ke以采用拖拽的方式进行分析挖掘，方便操作，Neng够体现整个数据挖掘的流程。Ru果搞清楚如何使用这样的工具， 包括安装、配置以及如何用...，不忍卒读。

有监督学习

我们Ke以为计算机提供大量的猫的照片，系统将以自己特有的方式查kan这些照片。因为实验的反复进行，系统会不断学习geng新，到头来Neng够准确地判断出哪些是猫，哪些不是猫。

3. 数据分类

需求背景是什么？

数据预处理是将不规整的业务数据整理为相对规整的建模数据，数据的质量决定了模型输出的后来啊。

预测：和预测数据，生成预测后来啊的过程。

特征：算法的自变量；

标签：算法的因变量。

4. 其他概念

数据挖掘和预测分析是数据科学领域的核心内容， 它们涉及到从大量数据中发现隐藏的模式、规律和知识，以及对未来事件进行预测的过程，算是吧...。

打脸。 因为数据量的增加，数据挖掘和预测分析的重要性得到了广泛认可。

模型评估

模型评估是评估所是否符合既定的业务目标，它有助于发现表达数据的Zui佳模型和所选模式将来工作的性Neng如何，反思一下。。

5. 挖掘建模

看好你哦！ 从大量的、 不完全的、有噪声的、随机的实际应用数据中，提取隐含在其中的人们事先不知道的、但又是潜在有价值的信息的过程。

聚类

聚类是在预先没有训练和不知道划分类别的情 别担心... 况下根据信息相似度原则把样本划分为若干类。

6. 模型评估

关联规则

层次低了。 机器学习是研究如何“利用经验来改善计算机系统自身性Neng的学科”， 它也是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技Neng，重新组织Yi有的知识结构使不断改善自身性Neng的学科。

7. 数据展现

数据特征分析：展示数据分布情况、 数据对比分析、统计分析、正态性检验、相关性分析。

搞清楚为什么要数据分析，那接下来我们就得好好认识认识它了。我一个在拿到大厂offer的同学，给了指了条明路：学习数据分析， 没耳听。 这在未来Neng大大提升我的职场竞争力。我太想抓住这个机会了毕竟风口不常在学会了我就Neng乘胜而上