最近新买的书，迟了好几个月才开始看。
作者是阿里云工作的，所以书中的例子也是阿里的业务类。
算法：
分类算法
聚类算法
场景：人群划分，产品种类划分
回归算法
文本分析算法
推荐算法
关系图算法
第一部分
背景知识
机器胜过人类，关键因素是信息的量级和算法的深度。
步骤：
场景解析
数据预处理
特征工程
模型训练
模型评估
学习，离线/在线服务
常规算法
1，K邻近（KNN）
它的分类只考虑距离目标点最临近的 K 个点的类别。
2，朴素贝叶斯
Bayes 定理（英国数学家发明）描述两个条件概率的关系。
朴素贝叶斯是贝叶斯定理的简单实现。一种利用先验概率进行分类的分类器。
其基础建立在一个假设条件之上，即所有特征的条件之间相互独立。
一种监督学习算法。
常用于文本分类，垃圾邮件过滤等场景中。
监督学习就是说有了初始条件，打标好的数据做为训练样本。
训练样本数据分为两类：特征列和目标列。
参考：
3，逻辑回归
线性模型，监督算法
解决的问题：二分类和多分类问题
应用范围最广，50%。
对输入数据的要求：
需要对数据进行一些矩阵运算。所以入参矩阵的每个参数都要是数值型的。
4，支持向量机
监督分类算法。
直线叫分类机。
间隔点叫支持向量。
线性支持向量
非线性支持向量
线性：
近似线性可分
绝对线性可分
将数据映射到高维度空间去（维度转换）
是一种基于小样本学习的算法。
LIBSVM 是支持向量机在开源领域比较权威的一款工具包。
5，随机森林
一种由多个决策树组成的分类器。监督算法
通过多个弱决策树的结果来投票，判断最终结果。
参数调节的工作量大，如：树的深度，树的数量。对实验结果影响较大。
初步的读完此书，大部分内容只是浅尝而止，没有 读《大数据日知录架构与算法》写的详细。不过内容的划分还是不错的。“机器学习小述”这种名称更合适。实战就有点谈不上了。虽然有代码，但代码好像不能运行呢。