机器学习使计算机能够从研究数据和统计信息中学习。
机器学习是迈向人工智能（AI）方向的其中一步。
机器学习是一种程序，可以分析数据并学习预测结果。
从何处开始？
在本教程中，我们将回到数学并研究统计学，以及如何根据数据集计算重要数值。
我们还将学习如何使用各种 Python 模块来获得所需的答案。
并且，我们将学习如何根据所学知识编写能够预测结果的函数。
数据集
在计算机中，数据集指的是任何数据集合。它可以是从数组到完整数据库的任何内容。
一个数组的例子：
[99,86,87,88,111,86,103,87,94,78,77,85,86]
一个数据库的例子：
Carname Color Age Speed AutoPass
BMW red 5 99 Y
Volvo black 7 86 Y
VW gray 8 87 N
VW white 7 88 Y
Ford white 2 111 Y
VW white 17 86 Y
Tesla red 2 103 Y
BMW black 9 87 Y
Volvo gray 4 94 N
Ford white 11 78 N
Toyota gray 12 77 N
VW white 9 85 N
Toyota blue 6 86 Y
通过查看数组，我们可以猜测平均值可能约为 80 或 90，并且我们还可以确定最大值和最小值，但是我们还能做什么？
通过查看数据库，我们可以看到最受欢迎的颜色是白色，最老的车龄是 17 年，但是如果仅通过查看其他值就可以预测汽车是否具有 AutoPass，该怎么办？
这就是机器学习的目的！分析数据并预测结果！
在机器学习中，通常使用非常大的数据集。在本教程中，我们会尝试让您尽可能容易地理解机器学习的不同概念，并将使用一些易于理解的小型数据集。
数据类型
如需分析数据，了解我们要处理的数据类型非常重要。
我们可以将数据类型分为三种主要类别：
数值（Numerical）
分类（Categorical）
序数（Ordinal）
数值数据是数字，可以分为两种数值类别：
离散数据（Discrete Data）
- 限制为整数的数字。例如：经过的汽车数量。
连续数据（Continuous Data）
- 具有无限值的数字。例如：一件商品的价格或一件商品的大小。
分类数据是无法相互度量的值。例如：颜色值或任何 yes/no 值。
序数数据类似于分类数据，但可以相互度量。示例：A 优于 B 的学校成绩，依此类推。
通过了解数据源的数据类型，您就能够知道在分析数据时使用何种技术。
在下一章中，您将学习有关统计和分析数据的更多知识。
NumPy ufuncs
平均中位数模式
VUE
Python 参考手册
Python 实例
Python 测验
W3School 简体中文版提供的内容仅用于培训和测试，不保证内容的正确性。通过使用本站内容随之而来的风险与本站无关。版权所有，保留一切 |
发表于 2020-11-9 09:43
|