1) 机器学习是什么
在数据上通过算法总结出规律模式，应用在新数据上做预测。
2) 机器学习基本概念
2.1) 不同类型的问题
- 监督学习：分类问题（选择）、回归问题（计算）
- 无监督学习：聚类问题（抱团）、关联规则
- 强化学习：从环境行为到映射的学习
2.2) 机器学习工业应用方向
- 自然语言处理
- 计算机视觉
- 语音识别
- 电商推荐与预估
- 数据挖掘
3) 机器学习基本流程与工作环节
- 数据预处理（数据采样、数据切分、特征抽取、特征选择、降维）
- 模型学习（超参选择、交叉验证、结果评估、模型选择、模型训练）
- 模型评估（分类、回归、排序评估标准）
- 模型上线
4) 机器学习中的评估指标
4.1) 机器学习的目标
拿到有泛化能力的好模型
4.2) 机器学习的评估方法（获得可靠的测试集数据）
- 留出法（1/5~1/3）
- K折交叉验证法
- 自助法
4.3) 机器学习的评估度量标准
- 分类问题（错误类、精度、召回率/准确率、混淆矩阵、F1值、AUC）
- 回归问题（MAE、MSE、RMSE、R平方）
5) 机器学习算法一览
- 分类（K最近邻、逻辑回归、朴素贝叶斯、支持向量机、树模型）
- 回归（线性回归、多项式回归、岭回归、树模型回归）
- 聚类（K-means、层次聚类、密度聚类、GMM）
- 关联规则（Fpgrowth）