创作灵感
最近又开始写Python，换新机器了，加上回顾硬盘上的一些资料，发现当时用在态势上的一些机器学习内容一直没有收尾，2019年10月研发中心成立中断了机器学习产品的研发，加上后来疫情，这几年荒废了。有空归纳下，希望有机会能用上。
基础介绍
语言、框架及环境：
当然是Python。优点：好用的数学函数库例如numpy，绘图工具matplotlib，框架或库sklearn，keras和有名的TensorFlow。缺点：性能。硬件cpu最好是intel的，原来有一次使用联想AMD本跑模型始终有问题，同样的使用我自己的intel本就没问题，不知道现在还有没有这种CPU问题。显卡不强求，学习的话已算法为主，测试数据不多的话cpu跑也没问题，就是cpu一直100%啥也干不了，最好有闲置机跑。有显卡建议也是台式机显卡，我用神舟笔记本差点把GTX960M干冒烟了。
数学基础和相关资料：
高数，线性代数，概率论和数理统计，基本都是大学本科的数学知识，知道各种概念就OK，用于理解各种算法，毕竟都是调包调参数，不用深入到框架原理。
相关资料可以参考各个大佬(吴恩达，周志华，李宏毅等)的书，和现在b站很多讲解视频。
机器学习开发算法步骤：
1.数据收集(Extract)。因为需要有样本数据，学习的话我会从kaggle之类的网站下载，实际项目会有特定格式的数据，我原来使用的都是安全设备上提取的数据。
2.数据格式化和分析(Transform)。数据要整理成标准格式，标准数据格式可以融合算法，方便操作。同时对于值需要转化或填充，异常值可能还需要进行必要的展示和分析，判断是否有保留价值。
3.算法训练。机器学习从这一步才真正开始。和下一步一起组成机器学习算法的核心。训练就是通过一定的算法将数据变为知识或信息或者模型。这里需要区别的是监督学习和无监督学习。简单理解，分类和回归是监督学习，监督就是必须知道预测什么，知道目标变量的分类信息，算法就是做到如何分类，常用算法有k-邻近算法、线性回归、朴素贝叶斯、决策树等。相对的无监督学习没有确定的目标，没有类别信息。常用算法有k-均值、最大期望算法、DBSCAN等。
4.测试算法。使用前一步输出的知识、信息或者模型，使用测试数据，评测检验算法的成功率。如果不满意算法的输出结果，可以回到第一步重新运算。如果发现准备的数据有问题，也可以回到第一步重新收集数据。
5.实际使用。利用验证算法过的算法执行实际操作。
工具
推荐使用anaconda，集成JupyterLab Notebook Spyder等工具，配合vscode使用。
算法
按照整理的顺序写。
