==== 目的 ====

<WRAP center round box 60%>
机器学习能让我们从数据集中受到启发，我们利用计算机来彰显数据背后隐含的规律
</WRAP>
==== 基本概念 ====
  * 分类 ：对数据集合以类别区分
  * 回归 ：主要用于预测数值型数据
  * 类聚 ：将数据集分成有类似对象组成的多个类的过程称“类聚”
<WRAP center round tip 60%>
分类和回归属于监督学习，之所以称之为监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。与之对应的是无监督学习，此时数据没有类别信息，也不会给定目标值
</WRAP>

==== 常用算法 ====
=== 监督学习 ===
  * k邻近算法
  * 贝叶斯算法
  * 支持向量机
  * 决策树
=== 无监督学习 ===
  * K-均值
  * DBSCAN

==== 开发机器学习程序步骤 ====
  - 收集数据
  - 输入数据格式化
  - 分析输入数据（确保没有垃圾数据）
  - 训练算法
  - 测试算法（算法训练完成之后，用一个测试数据集测试算法准确性）
  - 使用算法（测试目标达成后即可使用该算法）