总算可以踏踏实实的学习机器学习了，作者希望未来的研究方向是数据科学，但是碍于专业课的阻碍，一直没能系统的学习相关内容，如今有了充足的时间，希望我能在这个方向上能有所建树。
注：本系列内容属于机器学习入门，是作者在跟着慕课视频学习的一些总结性笔记，偏向于算法的原理以及技术实现，只包含基础的机器学习算法，不涵盖神经网络和深度学习，且不包括真实世界数据。
技术栈：Python3、scikit-learn、numpy、matplotlib
数学要求：本科高数、线代、概率论及格
机器学习基础概念：
数据：
数据集：数据整体。
样本：每一个种类的所有数据（特征）
特征：样本的某个特定属性
数据的种类：一般用0、1、2表示
大写字母X：数据矩阵
小写y:标记，（一般小写表示向量，大写表示矩阵）
向量：行向量（样本行）、列向量（特征列），其中以列向量较多
特征空间：根据特征画出的散点图，分类本质任务就是在特征空间切分
抽象特征：如图像，每一个像素点都是特征
机器学习的基本任务
分类任务：二分类（如判断是猫还是狗）、多分类（如手写识别、数字识别、图像识别、围棋，多分类任务可转化为二分类）、多标签分类（图片中的物体种类划分）。
回归任务：
结果是一个连续数字的数值，而非类别，比如预测学生成绩。
一些情况下，回归任务可简化成分类任务，如预测学生成绩的评级（A、B等）
现在可以引入机器学习的概念图：
模型：可理解为函数，机器学习主要就是建立模型。