1.python基础的准备
本课程拟采用Python做为机器算法应用的实现语言，所以请确保:
1）安装好Python开发环境， PyCharm 或 Anaconda等都可以，按个人习惯喜好。
2）基本库的安装，如numpy、pandas、scipy、matplotlib
3）具备一定的Python编程技能，如果不熟悉，可选择一个教程进行学习，Python简单好上手，资源也很丰富。
菜鸟教程 Python 3 教程 http://www.runoob.com/python3/python3-tutorial.html
廖雪峰的官方网站 Python3 https://www.liaoxuefeng.com/wiki/1016959663602400
学习视频
2.本周视频学习内容：https://www.bilibili.com/video/BV1Tb411H7uC?p=1
1）P4 Python基础
2）P1 机器学习概论
机器学习是一门多领域交叉学科，涉及较多的数学知识，我们不做太多理论上的要求，如果有听不懂的地方，不要放弃，看一遍就有个印象。通过观看视频，大家对课程有个总体的认识。
建议大家边看边做笔记，记录要点及所在时间点，以便有必要的时候回看。学习笔记也是作业的一部分。
3.作业要求：
1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。
2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。
3）什么是机器学习，有哪些分类？结合案例，写出你的理解。
答：1）python开发环境
pip list
2）学习笔记：
P1:机器学习的定义：
机器学习的内涵与延伸：
机器学习的一般流程：
泰勒公式：
P4
python库相关：
3)机器学习的定义：从广义上来说，机器学习是一种能够赋予机器学习的能力以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。
机器学习的分类主要分为以下四类：
监督学习：从标记的训练数据来推断一个功能的机器学习任务，如分类和回归。通俗来讲，便是我们将已有的并且有数据与数据之间有联系的数据集交给机器，让机器通过训练找到数据之间的关系,得到一个可以嵌套数据的模型。
无监督学习：把没有标签的数据分成一个一个组合，如聚类。比起监督学习，无监督学习更像是自学，让机器学会自己做事情，是没有标签的。
半监督学习：在训练阶段结合了大量未标记的数据和少量已标记的数据。
强化学习：智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。