引言

Google的自駕車和機器人得到了很多新聞，但公司的真正未來是機器學習，這種技術使計算機變得更智能，更個性化。-Eric Schmidt (Google Chairman)

我們可能生活在人類歷史上最具影響力的時期——計算從大型主機到PC移動到云計算的時期。 但是使這段時期有意義的不是發(fā)生了什么，而是在未來幾年里我們的方式。

這個時期令像我這樣的一個人興奮的就是，隨著計算機的推動，工具和技術的民主化。 今天，作為數(shù)據(jù)科學家，我可以每小時為幾個玩偶構建具有復雜算法的數(shù)據(jù)處理機。 但到達這里并不容易，我已經度過了許多黑暗的日日夜夜。

誰可以從本指南中獲益最多
我今天發(fā)布的可能是我創(chuàng)造的最有價值的指南。

創(chuàng)建本指南背后的理念是簡化全球有抱負的數(shù)據(jù)科學家和機器學習愛好者的旅程。 本指南能夠使你在研究機器學習問題的過程中獲取經驗。 我提供了關于各種機器學習算法以及R＆Python代碼的高級理解以及運行它們，這些應該足以使你得心順手。

我故意跳過了這些技術背后的統(tǒng)計數(shù)據(jù)，因為你不需要在開始時就了解它們。 所以，如果你正在尋找對這些算法的統(tǒng)計學理解，你應該看看別的文章。 但是，如果你正在尋找并開始構建機器學習項目，那么這篇文章給你帶來極大好處。

監(jiān)督學習
工作原理：該算法由一組目標/結果變量（或因變量）組成，該變量將根據(jù)給定的一組預測變量（獨立變量）進行預測。 使用這些變量集，我們生成一個將輸入映射到所需輸出的函數(shù)。 訓練過程繼續(xù)進行執(zhí)行，直到模型達到培訓數(shù)據(jù)所需的準確度水平。 監(jiān)督學習的例子：回歸，決策樹，隨機森林，KNN，邏輯回歸等

無監(jiān)督學習
如何工作：在這個算法中，我們沒有任何目標或結果變量來預測/估計。 用于不同群體的群體聚類和用于不同群體的客戶進行特定干預。 無監(jiān)督學習的例子：Apriori算法，K-means。

加強學習：
工作原理：使用這種算法，機器受到學習和訓練，作出具體決定。 它以這種方式工作：機器暴露在一個環(huán)境中，它連續(xù)不斷地使用試錯。 該機器從過去的經驗中學習，并嘗試捕獲最好的知識，以做出準確的業(yè)務決策。 加強學習示例：馬爾可夫決策過程

以下是常用機器學習算法的列表。 這些算法幾乎可以應用于任何數(shù)據(jù)問題：
線性回歸
邏輯回歸
決策樹
SVM
樸素貝葉斯
KNN
K-Means
隨機森林
降維算法
Gradient Boost＆Adaboost

它用于基于連續(xù)變量來估計實際價值（房屋成本，電話數(shù)量，總銷售額等）。在這里，我們通過擬合最佳線來建立獨立變量和因變量之間的關系。這個最佳擬合線被稱為回歸線，由線性方程Y = a * X + b表示。

理解線性回歸的最好方法是回想童年的經歷。比如，你要求五年級的孩子通過體重來從小到大排序班里的學生，而事先不告訴學生們的體重！你認為孩子會做什么？他/她很可能在身高和體格上分析人物的體重，并使用這些可視參數(shù)的組合進行排列。這是現(xiàn)實生活中的線性回歸！孩子實際上已經弄清楚，身高和體格將有一個關系與體重相關聯(lián)，看起來就像上面的等式。

在這個方程式中：

Y-因變量
a - 斜率
X - 自變量
b - 截距
這些系數(shù)a和b是基于最小化數(shù)據(jù)點和回歸線之間的距離的平方差之和導出的。

看下面的例子。這里我們確定了線性方程y = 0.2811x + 13.9的最佳擬合線?，F(xiàn)在使用這個方程，我們可以找到一個人（身高已知）的體重。

線性回歸主要有兩種類型：簡單線性回歸和多元線性回歸。 簡單線性回歸的特征在于一個自變量。 而且，多元線性回歸（顧名思義）的特征是多個（多于1個）自變量。 在找到最佳擬合線的同時，可以擬合多項式或曲線回歸線，這些被稱為多項式或曲線回歸。