本文是作者通过对《机器学习实践》这本书的学习，下面做出了自己的学习笔记。文笔拙劣，望指正！

　　机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门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能，重新组织已有的知识结构使之不断改善自身的性能。机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。

　　机器学习主要分为两种：一种是有监督学习，另一种是无监督学习。有监督学习就是在已知的数据样本的基础上进行分析和训练，得到分类数据模型，用于预测数值型数据。无监督学习则是对数据进行聚类。因此，机器学习的主要任务是分类。

　　在将机器学习算法运用到实际项目的过程中，我们需要考虑哪些问题？

　　1、如何选用合适的算法？

　　要选择合适的算法，首先，提出两个问题：（1）要使用机器学习算法的目的；（2）分析收集的数据是什么。

　　2、开发机器学习应用程序的步骤有哪些？

　　（1）收集数据

　　（2）准备输入数据

　　（3）分析输入数据

　　（4）训练算法

　　（5）测试算法

　　（6）使用算法

 

　　机器学习相关学习资料总结：

　　1. 《机器学习实践》PDF+Python源代码+相关学习资料网址；

　　2. 网易公开课 斯坦福大学 Andrew Ng 大牛主讲的《机器学习》课程；

　　3. coursera上的Ng 的教程https://www.coursera.org/learn/machine-learning

　　4. Rachel-Zhang 对Ng的机器学习课的学习笔记；

　　5. JerryLead对Ng的机器学习课的学习笔记；

　　6. tornadomeet 的机器学习总结，其中还包括了深度学习的内容；

　　7. 11个开源机器学习项目；