1. 机器学习总结：
2. 机器学习算法分类：
1️⃣ 有监督学习 ：有特征、有标签：标签是连续的叫回归问题、标签不连续的叫分类问题 ；
2️⃣ 无监督学习 ：有特征、无标签 ，无标签怎么分，只能根据样本之间的相似性进行划分 聚类，这种叫聚类问题 ；
3️⃣ 半监督学习 ：有特征、部分有标签、部分没有标签，最终的目的是降低专家标注数据的成本；
4️⃣ 强化学习 ：让Agent智能体根据环境状态进行行动以获得最多的累计奖励。输入动态数据，决策+回报函数，每个转态目标是变化的；(即走每一步得到的奖励是不一样的，如 出牌结果不同)；目的是能获取更多的奖励，进行一系列决策过程；
3. 相关方法：
分类、回归还是聚类？：
1️⃣ 回归 用：均方误差、平均绝对误差、均方根误差；
2️⃣ 分类 用：准确率、精确率、召回率、F1值、ROC曲线、AUC值；
3️⃣ 聚类 用：SSE+ 周古法？SC、CH；
4. 机器学习建模流程：
获取数据、数据预处理、特征工程、模型训练、模型评估、模型预测；
特征工程分类：特征获取、特征预处理、特征降维、特征选择、特征组合；
4.1 获取数据：
4.2 特征工程：
4.3 模型评估&模型预测：
