《機(jī)器學(xué)習(xí)-Python實(shí)戰(zhàn)（微課版）》課件 第一章 機(jī)器學(xué)習(xí)入門(mén)基礎(chǔ)

第一章機(jī)器學(xué)習(xí)入門(mén)基礎(chǔ)本章主要講述機(jī)器學(xué)習(xí)相關(guān)的概念、基本框架、實(shí)施流程以及應(yīng)用領(lǐng)域等。通過(guò)本章學(xué)習(xí)可以：熟悉機(jī)器學(xué)習(xí)的相關(guān)概念理解機(jī)器學(xué)習(xí)的原理熟悉機(jī)器學(xué)習(xí)的四種類(lèi)型掌握機(jī)器學(xué)習(xí)的實(shí)施流程了解機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域了解機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具學(xué)習(xí)目標(biāo)機(jī)器學(xué)習(xí)的概念人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)的四種類(lèi)型機(jī)器學(xué)習(xí)的實(shí)施流程機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具Python人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系1、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)都屬于AI的范疇2、機(jī)器學(xué)習(xí)是AI的一個(gè)分支技術(shù)3、深度學(xué)習(xí)是機(jī)器學(xué)習(xí)里的特定分支技術(shù)總結(jié)：三者是包含關(guān)系，不沖突也不并列機(jī)器學(xué)習(xí)的概念人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)的四種類(lèi)型機(jī)器學(xué)習(xí)的實(shí)施流程機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具Python機(jī)器學(xué)習(xí)的概念美國(guó)作家PeterHarrington在他的《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》一書(shū)中是這么說(shuō)的：“機(jī)器學(xué)習(xí)就是把無(wú)數(shù)的數(shù)據(jù)轉(zhuǎn)換成有用的信息?！睓C(jī)器學(xué)習(xí)的概念英國(guó)作家PeterFlach在他的《機(jī)器學(xué)習(xí)》一書(shū)中，把機(jī)器學(xué)習(xí)的概念概括為：“使用正確的特征來(lái)構(gòu)建正確的模型，以完成指定任務(wù)”。機(jī)器學(xué)習(xí)的概念人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)的四種類(lèi)型機(jī)器學(xué)習(xí)的實(shí)施流程機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具Python經(jīng)驗(yàn)規(guī)律歸納預(yù)測(cè)輸入新的問(wèn)題未來(lái)機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)，顧名思義就是讓機(jī)器進(jìn)行學(xué)習(xí)，學(xué)習(xí)的目的是實(shí)現(xiàn)對(duì)世界上的人事物進(jìn)行預(yù)測(cè)或者判斷，這就是機(jī)器學(xué)習(xí)的主要作用。機(jī)器學(xué)習(xí)的原理小孩子通過(guò)不斷地試錯(cuò)，學(xué)會(huì)哪些東西能吃，哪些東西不能吃。機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)過(guò)程機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)并不是任何情況下都能預(yù)測(cè)或者判斷的，也不是每次都能夠判斷準(zhǔn)確的，這與數(shù)據(jù)的特性和準(zhǔn)確性有非常大的關(guān)系。搜索推薦機(jī)器學(xué)習(xí)的原理醫(yī)療機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)本質(zhì)上是一個(gè)提高效率的工具。機(jī)器學(xué)習(xí)的本質(zhì)上是什么？機(jī)器學(xué)習(xí)的概念人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)的四種類(lèi)型機(jī)器學(xué)習(xí)的實(shí)施流程機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具Python機(jī)器學(xué)習(xí)的四種類(lèi)型機(jī)器學(xué)習(xí)可分為四大類(lèi)：監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)。監(jiān)督學(xué)習(xí)：通過(guò)學(xué)習(xí)已有的標(biāo)記數(shù)據(jù)樣本構(gòu)建模型，再利用模型對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)。無(wú)監(jiān)督學(xué)習(xí)（非監(jiān)督學(xué)習(xí)）：通過(guò)學(xué)習(xí)沒(méi)有標(biāo)記的數(shù)據(jù)樣本，發(fā)掘未知數(shù)據(jù)間的隱藏結(jié)構(gòu)關(guān)系，從而實(shí)現(xiàn)預(yù)測(cè)。半監(jiān)督學(xué)習(xí)：它是一種在預(yù)測(cè)時(shí)，既使用已標(biāo)記的樣本數(shù)據(jù)，也使用未標(biāo)記的樣本數(shù)據(jù)的方法。增強(qiáng)學(xué)習(xí)，指通過(guò)與環(huán)境的交互，以推測(cè)和優(yōu)化實(shí)際的動(dòng)作，從而實(shí)現(xiàn)決策。機(jī)器學(xué)習(xí)的四種類(lèi)型監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)是通過(guò)學(xué)習(xí)已有的標(biāo)記數(shù)據(jù)樣本構(gòu)建模型，再利用模型對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)。例如，為了預(yù)測(cè)某位患者在一年內(nèi)是否會(huì)心臟病發(fā)作，監(jiān)督學(xué)習(xí)可以利用以前就醫(yī)患者的相關(guān)數(shù)據(jù)（包括年齡、體重、身高和血壓）生成一個(gè)模型，用來(lái)預(yù)測(cè)心臟病發(fā)作的概率。常見(jiàn)的監(jiān)督學(xué)習(xí)主要分為回歸和分類(lèi)兩種形式，回歸可用于預(yù)測(cè)連續(xù)值的結(jié)果（如預(yù)測(cè)未來(lái)房?jī)r(jià)走勢(shì)），分類(lèi)可用于預(yù)測(cè)離散值的結(jié)果（如判斷圖片上的動(dòng)物是貓還是狗）。機(jī)器學(xué)習(xí)的四種類(lèi)型無(wú)監(jiān)督學(xué)習(xí)無(wú)監(jiān)督學(xué)習(xí)也可稱(chēng)為非監(jiān)督學(xué)習(xí)，通過(guò)學(xué)習(xí)沒(méi)有標(biāo)記的數(shù)據(jù)樣本，發(fā)掘未知數(shù)據(jù)間的隱藏結(jié)構(gòu)關(guān)系，從而實(shí)現(xiàn)預(yù)測(cè)。聚類(lèi)學(xué)習(xí)就是一種比較常用的無(wú)監(jiān)督學(xué)習(xí)，聚類(lèi)的目的是把相似的對(duì)象聚在一起，構(gòu)成不同的集合，例如基因序列分析等應(yīng)用。機(jī)器學(xué)習(xí)的四種類(lèi)型半監(jiān)督學(xué)習(xí)半監(jiān)督學(xué)習(xí)，它是一種在預(yù)測(cè)時(shí)，既使用已標(biāo)記的樣本數(shù)據(jù)，也使用未標(biāo)記的樣本數(shù)據(jù)的方法，通常情況下，無(wú)標(biāo)記樣本的數(shù)量遠(yuǎn)超過(guò)有標(biāo)記樣本，因?yàn)橛袝r(shí)候獲得有標(biāo)記數(shù)據(jù)的成本很高，所以在訓(xùn)練分類(lèi)器模型時(shí)，先使用部分已經(jīng)標(biāo)記的數(shù)據(jù)，在學(xué)習(xí)了數(shù)據(jù)的內(nèi)在結(jié)構(gòu)聯(lián)系以后，再使用大量無(wú)標(biāo)記的數(shù)據(jù)進(jìn)一步學(xué)得更好的模型，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的有效預(yù)測(cè)。機(jī)器學(xué)習(xí)的四種類(lèi)型增強(qiáng)學(xué)習(xí)所謂增強(qiáng)學(xué)習(xí)，是通過(guò)與環(huán)境的交互，以推測(cè)和優(yōu)化實(shí)際的動(dòng)作，從而實(shí)現(xiàn)決策。和上述學(xué)習(xí)類(lèi)型相比，增強(qiáng)學(xué)習(xí)法輸入的數(shù)據(jù)，將直接反饋到模型，與此同時(shí)，模型作出相應(yīng)調(diào)整并依據(jù)狀態(tài)的變化來(lái)獲得強(qiáng)化后的信號(hào)，從而完成和環(huán)境的交互。例如自動(dòng)駕駛汽車(chē)通過(guò)不斷與環(huán)境交互來(lái)學(xué)習(xí)。在此，我們只需要知道機(jī)器學(xué)習(xí)整體框架的基本概念即可，實(shí)際應(yīng)用場(chǎng)景中，使用最多的主要是監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)兩大類(lèi)。機(jī)器學(xué)習(xí)的概念人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)的四種類(lèi)型機(jī)器學(xué)習(xí)的實(shí)施流程機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具Python機(jī)器學(xué)習(xí)的實(shí)施流程機(jī)器學(xué)習(xí)的一般實(shí)施流程，包括數(shù)據(jù)收集、數(shù)據(jù)清洗、特征提取與選擇、模型訓(xùn)練、模型評(píng)估測(cè)試、模型部署應(yīng)用等步驟。機(jī)器學(xué)習(xí)的實(shí)施流程第一步：數(shù)據(jù)收集應(yīng)用機(jī)器學(xué)習(xí)解決問(wèn)題，在明確目標(biāo)任務(wù)（即明確要解決的問(wèn)題和業(yè)務(wù)需求）之后，首先需要進(jìn)行數(shù)據(jù)收集。收集數(shù)據(jù)有多種不同的方式，如制作網(wǎng)絡(luò)爬蟲(chóng)從網(wǎng)站上抽取數(shù)據(jù)、服務(wù)器中存儲(chǔ)的應(yīng)用數(shù)據(jù)、設(shè)備發(fā)送過(guò)來(lái)的測(cè)試數(shù)據(jù)等，在機(jī)器學(xué)習(xí)任務(wù)中使用的數(shù)據(jù)稱(chēng)為數(shù)據(jù)集。典型的數(shù)據(jù)集類(lèi)似于一個(gè)二維的電子表格或數(shù)據(jù)庫(kù)表，每一行稱(chēng)為一個(gè)數(shù)據(jù)樣本，每一列的屬性稱(chēng)為特征（如身高、體重等）序號(hào)姓名性別身高（cm）體重（kg）喜歡的顏色1001張三男17560藍(lán)色1002李四女16048紅色1003王五男18065黑色1004趙六女16550黑色機(jī)器學(xué)習(xí)的實(shí)施流程第二步：數(shù)據(jù)清洗大部分情況下，收集得到的數(shù)據(jù)需要經(jīng)過(guò)清洗后才能夠?yàn)樗惴ㄋ褂?，真?shí)的數(shù)據(jù)中通常會(huì)出現(xiàn)一些數(shù)據(jù)質(zhì)量問(wèn)題，比如：①不完整:數(shù)據(jù)中缺少屬性或者包含一些缺失的值。②多噪音:數(shù)據(jù)包含錯(cuò)誤的記錄或者異常點(diǎn)。③不一致:數(shù)據(jù)中存在矛盾的、有差異的記錄。序號(hào)姓名性別身高（cm）體重（kg）喜歡的顏色1001張三男17560藍(lán)色1002李四女160Null紅色1003王五男25065黑色1004趙六女16550趙六機(jī)器學(xué)習(xí)的實(shí)施流程第三步：特征提取與選擇對(duì)數(shù)據(jù)進(jìn)行初步的清洗后，需要將其轉(zhuǎn)換為一種適合機(jī)器學(xué)習(xí)模型的表示形式，并且轉(zhuǎn)換后一樣準(zhǔn)確地表示數(shù)據(jù)。例如通過(guò)人的身高、體重、喜歡的顏色這些特征屬性來(lái)預(yù)測(cè)性別，我們不會(huì)把“藍(lán)色”、“紅色”、“黑色”直接輸入給模型，因?yàn)闄C(jī)器學(xué)習(xí)的模型算法均要求輸入的數(shù)據(jù)必須是數(shù)值型的，在此分類(lèi)問(wèn)題中，需要將類(lèi)別數(shù)據(jù)編碼成為對(duì)應(yīng)的數(shù)值表示，可以采用啞編碼，它是一種常用的將特征數(shù)字化的方式。序號(hào)姓名性別身高（cm）體重（kg）藍(lán)色紅色黑色1001張三男175601001002李四女160480101003王五男180650011004趙六女16550001機(jī)器學(xué)習(xí)的實(shí)施流程特征選擇的必要性主要在于以下幾點(diǎn)：①減少訓(xùn)練的時(shí)間，能使用較少的特征更快地生成模型。②簡(jiǎn)化模型，使模型更容易被使用者所解釋。③使模型的泛化能力更好，避免過(guò)擬合。特征選擇的方法有：過(guò)濾法（filter）、包裹法（wapper）、嵌入法（Embedded)等。機(jī)器學(xué)習(xí)的實(shí)施流程第四步：模型訓(xùn)練數(shù)據(jù)經(jīng)過(guò)預(yù)處理之后，就可以用來(lái)訓(xùn)練模型，一般會(huì)把數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，或?qū)τ?xùn)練集再細(xì)分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練模型是在訓(xùn)練數(shù)據(jù)集上進(jìn)行的。在模型訓(xùn)練過(guò)程中，需要對(duì)模型超參進(jìn)行調(diào)優(yōu)，如果不了解算法原理，往往無(wú)法快速定位能決定模型優(yōu)劣的模型參數(shù)，所以在訓(xùn)練過(guò)程中，對(duì)機(jī)器學(xué)習(xí)算法原理的要求較高，理解越深入，就越容易發(fā)現(xiàn)問(wèn)題的原因，從而快速找到合理的調(diào)優(yōu)方法。機(jī)器學(xué)習(xí)的實(shí)施流程第五步：模型評(píng)估測(cè)試?yán)糜?xùn)練數(shù)據(jù)生成模型后，使用驗(yàn)證集來(lái)驗(yàn)證模型的有效性，使用測(cè)試集來(lái)評(píng)估模型在真實(shí)環(huán)境中的泛化能力。如果測(cè)試結(jié)果不理想，則分析原因并進(jìn)行模型優(yōu)化。過(guò)擬合、欠擬合是模型診斷中常見(jiàn)的問(wèn)題，如果出現(xiàn)過(guò)擬合（指所訓(xùn)練的模型在訓(xùn)練集上表現(xiàn)得非常優(yōu)秀，可以有效地區(qū)分每一個(gè)樣本，但在測(cè)試集上表現(xiàn)得很差），可以通過(guò)增加數(shù)據(jù)量和降低模型復(fù)雜度來(lái)優(yōu)化，如果出現(xiàn)欠擬合（指所訓(xùn)練的模型在訓(xùn)練集中就已經(jīng)表現(xiàn)得很差，準(zhǔn)確度很低），可以通過(guò)提高特征數(shù)量和質(zhì)量，增加模型復(fù)雜度來(lái)優(yōu)化。模型評(píng)估針對(duì)分類(lèi)、回歸等不同類(lèi)型的機(jī)器學(xué)習(xí)問(wèn)題，評(píng)估指標(biāo)的選擇也有所不同。所以，需要熟悉每種評(píng)估指標(biāo)的精確定義，有針對(duì)性地選擇合適的評(píng)估指標(biāo)，并根據(jù)評(píng)估指標(biāo)的反饋進(jìn)行模型調(diào)整。一般情況下，模型調(diào)整后，需要重新訓(xùn)練和評(píng)估，所以機(jī)器學(xué)習(xí)的模型建立過(guò)程就是不斷地嘗試，并最終達(dá)到最優(yōu)狀態(tài)。機(jī)器學(xué)習(xí)的實(shí)施流程第六步：模型部署應(yīng)用通過(guò)在測(cè)試集上完成評(píng)估的模型，就可以用來(lái)預(yù)測(cè)新數(shù)據(jù)的值。這時(shí)，需要將該模型部署到實(shí)際的生產(chǎn)場(chǎng)景中，并根據(jù)業(yè)務(wù)場(chǎng)景的真實(shí)數(shù)據(jù)對(duì)模型進(jìn)行不斷的微調(diào)。機(jī)器學(xué)習(xí)的概念人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)的四種類(lèi)型機(jī)器學(xué)習(xí)的實(shí)施流程機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具Python機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域智能汽車(chē)智能汽車(chē)通過(guò)機(jī)器學(xué)習(xí)技術(shù)整合物聯(lián)網(wǎng)資源，智能了解車(chē)主及周邊的環(huán)境，自動(dòng)根據(jù)司機(jī)的需求靈活調(diào)整車(chē)內(nèi)設(shè)置，比如座椅位置、溫度、音響，等等；甚至還可以報(bào)告故障和智能修復(fù)故障。在自動(dòng)駕駛方面，可以為駕駛者提供交通和道路狀況方面的實(shí)時(shí)建議及事故預(yù)警。機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域氣象預(yù)測(cè)氣象預(yù)報(bào)主要分為短時(shí)預(yù)測(cè)和長(zhǎng)期預(yù)測(cè)。短時(shí)預(yù)測(cè)指未來(lái)幾小時(shí)到幾天不等的天氣預(yù)測(cè)，長(zhǎng)期預(yù)測(cè)指的是厄爾尼諾（ElNino）、拉尼娜（LaNina）等氣候現(xiàn)象。短期預(yù)測(cè)通?；诘貐^(qū)內(nèi)的氣象站所提供的多種實(shí)時(shí)數(shù)據(jù)進(jìn)行分析，如當(dāng)?shù)氐臍鉁?、濕度、氣壓、風(fēng)速、雷達(dá)圖等，以復(fù)雜的物理模型綜合運(yùn)算得出結(jié)果。傳統(tǒng)方法通常需要為模型設(shè)定大氣物理的先驗(yàn)知識(shí)，而機(jī)器學(xué)習(xí)方法選擇避開(kāi)物理因素，嘗試?yán)么罅繑?shù)據(jù)驅(qū)動(dòng)機(jī)器從算法訓(xùn)練中“習(xí)得”大氣物理學(xué)的原理。目前機(jī)器學(xué)習(xí)在氣象的短期預(yù)測(cè)領(lǐng)域已有較為成熟的應(yīng)用，在長(zhǎng)期的氣象預(yù)測(cè)上科學(xué)家也正在開(kāi)發(fā)相應(yīng)的模型來(lái)做各種嘗試。機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域個(gè)性化營(yíng)銷(xiāo)推廣商家對(duì)顧客越了解，就越能夠?yàn)轭櫩吞峁└玫姆?wù)，因而賣(mài)出的東西也就會(huì)越多，這是個(gè)性化營(yíng)銷(xiāo)的基礎(chǔ)。我們?cè)龅竭^(guò)這樣的情況：在網(wǎng)上商店上瀏覽某件產(chǎn)品，但沒(méi)有買(mǎi)，而過(guò)了幾天后，再去瀏覽各個(gè)不同的網(wǎng)站時(shí)都會(huì)看到那款產(chǎn)品的數(shù)字廣告。這種個(gè)性化營(yíng)銷(xiāo)其實(shí)只是冰山一角，企業(yè)能夠進(jìn)行全方位的個(gè)性化營(yíng)銷(xiāo)，如具體給顧客發(fā)送什么樣的電子郵件，給他們提供什么樣的優(yōu)惠券，還有給他們推薦什么產(chǎn)品等等，這一切都是為了提高交易達(dá)成的可能性。機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域自然語(yǔ)言處理（NLP）自然語(yǔ)言處理正被用于各個(gè)領(lǐng)域的很多項(xiàng)應(yīng)用當(dāng)中。有自然語(yǔ)言的機(jī)器學(xué)習(xí)算法能夠替代客戶服務(wù)人員，快速地給客戶提供他們所需的信息。它正被用于將合同中艱深晦澀的法律措辭轉(zhuǎn)變成簡(jiǎn)單易懂的普通語(yǔ)言，也被用于幫助律師整理大量的信息，提高案件準(zhǔn)備效率。機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域數(shù)據(jù)安全性惡意軟件是一個(gè)越來(lái)越嚴(yán)峻的問(wèn)題。2014年，卡巴斯基實(shí)驗(yàn)室稱(chēng)，它每天檢測(cè)到的新惡意軟件文件數(shù)量達(dá)到32.5萬(wàn)。不過(guò)，以色列深度學(xué)習(xí)技術(shù)公司DeepInstinct公司指出，各個(gè)新惡意軟件通常都有跟舊版本一樣的代碼——只有2%到10%的惡意軟件文件出現(xiàn)迭代變化。他們的學(xué)習(xí)模型能夠辨別那2%到10%的變異惡意軟件，在預(yù)測(cè)哪些文件是惡意軟件上有著很高的準(zhǔn)確率。在其他情況下，機(jī)器學(xué)習(xí)算法能夠發(fā)現(xiàn)云端數(shù)據(jù)如何被訪問(wèn)方面的模式，能夠報(bào)告或可預(yù)測(cè)安全問(wèn)題的異常情況。機(jī)器學(xué)習(xí)的概念人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系機(jī)器學(xué)習(xí)的概念機(jī)器學(xué)習(xí)的原理機(jī)器學(xué)習(xí)的四種類(lèi)型機(jī)器學(xué)習(xí)的實(shí)施流程機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具Python機(jī)器學(xué)習(xí)的開(kāi)發(fā)工具PythonPython開(kāi)發(fā)環(huán)境的搭建使用的工具/環(huán)境工具/環(huán)境說(shuō)明Windows1064bit操作系統(tǒng)此項(xiàng)實(shí)訓(xùn)所使用的計(jì)算機(jī)操作系統(tǒng)Google、火狐等此項(xiàng)實(shí)訓(xùn)所使用的瀏覽器一站式開(kāi)發(fā)環(huán)境AnacondaAnaconda是一個(gè)基于Python的數(shù)據(jù)處理和科學(xué)計(jì)算平臺(tái)，它已經(jīng)內(nèi)置了許多非常有用的第三方庫(kù)，裝上Anaconda，就相當(dāng)于把Python和一些如Numpy、Pandas、Matplotlib等常用的庫(kù)自動(dòng)安裝好了，使得安裝比常規(guī)python安裝要容易。因而建議直接安裝Anaconda。集成開(kāi)發(fā)環(huán)境PyCharmPyCharm是一種PythonIDE（IntegratedDevelopmentEnvironment，集成開(kāi)發(fā)環(huán)境），帶有一整套可以幫助用戶在使用Python語(yǔ)言開(kāi)發(fā)時(shí)提高其效率的工具，比如調(diào)試、語(yǔ)法高亮、Project管理、代碼跳轉(zhuǎn)、智能提示、自動(dòng)完成、單元測(cè)試、版本控制。JupyterNotebookJupyterNotebook的本質(zhì)是一個(gè)Web應(yīng)用程序，便于創(chuàng)建和共享文學(xué)化程序文檔，支持實(shí)時(shí)代碼，數(shù)學(xué)方程，可視化和markdown。用途包括：數(shù)據(jù)清理和轉(zhuǎn)換，數(shù)值模擬，統(tǒng)計(jì)建模，機(jī)器學(xué)習(xí)等等。SpyderSpyder是Python(x,y)的作者為它開(kāi)發(fā)的一個(gè)簡(jiǎn)單的集成開(kāi)發(fā)環(huán)境。和其他的Python開(kāi)發(fā)環(huán)境相比，