Python 机器学习 - 教程
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。
您应当具备的基础知识
在继续学习之前，您需要对下面的知识有基本的了解：
开始学习
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：
| 汽车名称 | 颜色 | 车龄 | 时速 | 是否自动通行 |
|---|---|---|---|---|
| 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自动通行，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。