面对机器学习领域数量繁多又互有交叉的知识点，就像身处一大片繁茂的森林，没有指南设备很难不迷失方向，而大量好不容易挤出来的宝贵时间就浪费在辨别方向上了。首先介绍机器学习究竟是什么，特别是与“人工智能”“深度学习”这些经常在一起出现的术语究竟有什么关系，又有什么区别。对当前机器学习算法常用的Python编程语言以及相关的Python库进行介绍，同时列举一些常用的功能。

《机器学习算法的数学解析与Python实现》PDF+源代码+莫凡
《机器学习算法的数学解析与Python实现》PDF，277页，有书签，文字可复制；莫凡著。
下载: https://pan.baidu.com/s/18WhB6P0JHhOdgN6JDFEluw?pwd=nzjv
提取码: nzjv

第一款机器学习算法是线性回归，对回归问题、线性模型和如何用线性模型解决回归问题，以及对机器学习解决问题的主要模式进行介绍。当下机器学习应用最广的分类问题，第一款解决分类问题的算法是Logistic回归分类算法，即用线性模型结合Logistic函数解决分类问题。KNN分类算法不依赖太复杂的数学原理，因此一般被认为是最直观好懂的分类算法之一。

朴素贝叶斯分类算法，它基于贝叶斯公式设计，理论清晰、逻辑易懂，是一款典型的基于概率统计理论解决分类问题的机器学习算法。决策树分类算法是一款很重要的算法，从思想到结构都对程序员非常友好，当前XGBoost等主流机器学习算法就是在决策树算法的基础上，结合集成学习方法设计而成的。支持向量机分类算法，这是一款在学术界和工业界都有口皆碑的机器学习模型。在深度学习出现之前，支持向量机被视作最被看好的机器学习算法，能力强、理论美，是复杂的机器模型。

无监督学习的聚类问题，以及简单好懂的聚类算法——K-means聚类算法。神经网络分类算法，当前大热的深度学习就是从神经网络算法这一支发展而来的，而且大量继承了神经网络的思想和结构，可以作为了解深度学习的预备。