一、机器学习介绍

机械学习与我们的日常生活息息相关，例如购物软件的推荐、短视频软件的推送和汽车的紧急避险，都与机械学习相关。那么什么是机械学习呢？

机械学习 (Machine Learning , ML) 是一个致力于理解和构建“学习”方式的领域，换而言之，机械学习是利用数据提高某些任务的性能的方法。它被认为是人工智能的一个分支。

简而言之，机器学习是从数据中学习和提取有用的信息，不断提升机器的性能。基本任务是从这些数据中学习规则，利用学习到的规则来预测新的数据。为什么要应用机械学习？它有什么独特的优点吗？

机器学习算法被应用在各种各样的应用中，例如医学、电子邮件过滤、语音识别和计算机视觉，在这些领域，开发传统算法来执行所需的任务是困难的。机械学习能解决现实生活中困难复杂的问题。它是如何解决这个问题的呢？

机械学习的基础是过去有效的策略、算法和推理在未来可能继续有效。类似于一年有四季，春之后为夏，根据以前的经验，机械学习能根据时间推断出来年的春天结束之后是夏天。即，需要拥有先验知识。接下来介绍机械学习的分类（不会涉及复杂的数学公式）。

二、机器学习的分类

监督学习（Supervised Learning）：其训练数据包含了结果信息，如在线线模型中存在y值。在监督学习中，典型的问题是分类（Classification）和回归（Regression）。
无监督学习（Unsupervised Learning）：训练数据中不包含任何结果信息。其典型的问题为聚类（Clustering）问题。
半监督学习（Semi-SupervisedLearning）：训练数据中有一部分数据包含结果信息，同时有一部分数据不包含结果信息，是监督学习和无监督学习的融合。其任务是对不包含结果信息的数据进行拓展。
增强学习（Reinforcement Learning）：以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是获得最大的奖赏。

图片来着下面链接
picture address

三、如何入门机器学习

四、KNN算法

接下来介绍一个机械学习的模型，K近邻算法 (k-Nearest Neighbors algorithm, k-NN) ，它是一个无参数的监督学习算法，Evelyn Fix 和 Joseph Hodges在1951年提出，然后由Thomas Cover发展优化。

选择python用于机械学习，原因是其第三方库完善，可以避免复杂的编码过程（对于非计算机专业），直接对模型进行实例化。下面是一个对鸢尾花数据集进行分类的代码，大家可以自己在Jupyter里逐行输入看看结果。

# 从sklearn引入KNN模型
from sklearn.neighbors import KNeighborsClassifier
# 从sklearn引入数据分割函数
from sklearn.model_selection import train_test_split
# 引入数据集
from sklearn.datasets import load_iris# 数据实例化
iris_dataset = load_iris()
# 训练集测试集分割
X_train, X_test, y_train, y_test = train_test_split(iris_dataset['data'],iris_dataset['target'], random_state=0)
# KNN对象实例化
knn = KNeighborsClassifier(n_neighbors=1)
# 进行拟合
knn.fit(X_train, y_train)
# 做出预测，快去看看你的结果是什么吧！
X_new = np.array([[3, 2.6, 2, 0.2]])
prediction = knn.predict(X_new)
# 使用 knn 对象的 score 方法来计算测试集的精度
print(knn.score(X_test, y_test))