经过前面几节的梳理，对机器学习有了一个大致的认识，这些内容也是机器学习中的基本问题，所以有一个清晰的框架是进行后续学习的基础~下面便来做一个小结，以检测一下自己是否有一个系统的认识，而不是零散话的知识点。
首先说道什么是机器学习：给机器一些数据让其自己进行训练学习，得到一个模型，对于一个新的输入数据，能够对其进行较为准确的预测输出。
机器学习领域分类：监督学习，非监督学习，半监督学习。在这儿主要说明的是监督学习。
监督学习：回归问题&分类问题。均利用“三要素”（模型假设，目标函数，迭代优化）来进行分析
回归问题：线性回归（单变量，多变量），多项式回归
分类问题：逻辑回归，多分类问题
训练过程：梯度下降方式迭代优化，学习率选择，正则化项削弱过拟合
另外需要说道机器学习中的两种模式：判别模式&生成模式
判别模式：直接建立模型以对新的问题进行分类，其主要关注不同类别之间的区别，而不分析该类别的特性。适应性较强，在数据量较大的情况下，也是最常采用的方式。
生成模式：先分析该类别是如何存在的，然后再对新的输入进行分析，最后得出类别判断结果。其在数据量较少的情况下是较好的分析方式。其主要包括高斯判别分析（针对特征量连续的数据）和朴素贝叶斯（针对特征量离散的数据）。每一个生成模型对应有判别模型，但反过来不成立，故生成模式有更强的模型假设能力，但叫复杂。
好了，感觉梳理了一下内容也就这些，后续将进入神经网络部分，一种更强大更神奇的模型结构：）
