1 机器学习的子类是深度学习，机器学习的父类是人工智能，核心都是机器学习。
百度大脑、谷歌大脑等都属机器学习，百度和谷歌数据量都大所以才会有百度大脑谷歌大脑
2 机器学习，我只要有大量数据，我去训练，我就可以训练出一个好的模型，而且这个模型就可以做预测，预测和分类是分不开的
3 机器学习就是 拟人
拟人 ：
1 大量已有的数据（经验，存在大脑）
2 总结出某种规律（模型） 根据某种算法，训练出模型
3 利用此规律，输入新的数据，做出预测
4 机器学习“数据为王” 要求 数据要是大量正确的数据
历史数据--》训练出模型
新的数据--》上一个模型 --》预测
4 模式识别=机器学习
数据挖掘=机器学习+数据库 早期只有算法没有数据，所有没有活起来
统计学习近似等于机器学习
计算机视觉=图像处理+机器学习
语音识别=语音处理+机器学习
自然语言处理=文本处理+机器学习
5 机器学习 ---》 数 算法（公式） 模型（参数）
（根据某种算法 ：y = a + bx xy就是训练数据，得出的结果 y = 2 + 3x 这条直线 就是一个模型。 参数a和b就是模型）
如果得到的参数比较复杂，比较多，单机装不下，用分布式存储
6 机器学习要干的事情就是用大量数据用分布式的快速的总结规律，很多时候还要实时的计算模型
7 数据挖掘的基本任务包括 利用分类与预测、聚类分析、关联规则、
时序模式、偏差检测、智能推荐等方法，帮助企业提取数据中蕴含的商业价值，提高企业的竞争力
8 R语言和python 是第一代的机器学习的工具，python还可以做更多
Mahout 是第二代的机器学习工具 它是分布式的，是基于mapreduce的
MLlib 是第三代 它是基于 spark进行运算
机器学习里的算法，它的算法实现的时候都是需要的迭代的
9 R语言
主要用于统计分析、绘图、数据挖掘
内置多种统计学及数字分析功能。R的功能也可以通过安装包（Packages，别人撰写的功能）增强。
R的另一强项是绘图功能
10 编程 = 数据结构 + 算法 数据结构：数据类型
R语言的数据机构包含：向量，因子，列表，数组，数据框，矩阵
11 线性回归
y = a + bx
多元线性回归 ：它是一种算法 那么它对应的公式是
y =m + A1X1 + A2X2 + A3X3 + A4X4 + A5X5 + A6X6 + .... AnXn 它易于分布式
一个维度对应一个模型
逻辑线性回归是线性回归经过数学上公式的转换，把y值进行缩放，缩放到0到1之间，那么它有一个好处，就是得到一个比例（概率）的事情
线性回归和逻辑回归 统称为广义线性回归
error 值最小
如果你有一个问题解决不了了，可以多维度考虑，升维度考虑。例如穿墙案例
12 相关系数 它来表达两个维度的相关性，的范围是-1~+1 正相关 和 负相关 0表示根本就不相关
R语言来探索相关性，R语言的一些函数 协方差函数cov()，标准方差函数sd()，可以求出来cor()
13 我越了解现实中的数据，越有利于改进模型
14 神经网络 复杂的多个层次的神经网络就叫深度学习
15 网络拓扑层--单层网络 多层网络
15 案例1 保险的消费 用多元线性回归来做
案例2 计算水泥的强度系数 用神经网络来做 1个输入层 1个隐藏层 1一个输出层