如何以最炫姿势搞定机器学习
咱们都知道，机器学习就是让计算机具有像人一样的学习能力的技术，是从堆积如山的数据（也称为大数据）中寻找出有用知识的数据挖掘技术。机器学习就是一种魔法。
那么，这般厉害的魔法如何习得呢？
你说，机器学习的书辣么多，视频也辣么多，可是我就是看不下去，肿么破？
别着急，少年，我看你天赋异禀、脑瓜惊奇，是万中无一的机器大法奇才，挖掘数据拯救中国的任务就靠你了，我这有本秘籍——《图解机器学习》，见与你有缘，就分享给你了！
分享之前，我们先设定一下角色，图中有妹纸相伴的帅锅就是你了！
来，先看一眼最简单的干货。
计算机的学习，根据所处理的数据种类的不同，可以分为监督学习、无监督学习和强化学习等几种类型。
监督学习
监督学习，是指有求知欲的学生从老师那里获取知识、信息，老师提供对错指示、告知最终答案的学习过程。在机器学习里，学生对应于计算机，老师则对应于周围的环境。根据在学习过程中所获得的经验、技能，对没有学习过的问题也可以做出正确解答，使计算机获得这种泛化能力，是监督学习的最终目标。监督学习，在手写文字识别、声音处理、图像处理、垃圾邮件分类与拦截、网页检索、基因诊断以及股票预测等各个方面，都有着广泛的应用。这一类机器学习的典型任务包括：预测数值型数据的回归、预测分类标签的分类、预测顺序的排序等。
无监督学习
无监督学习，是指在没有老师的情况下，学生自学的过程。在机器学习里，基本上都是计算机在互联网中自动收集信息，并从中获取有用信息。无监督学习不仅仅局限于解决像监督学习那样的有明确答案的问题，因此，它的学习目标可以不必十分明确。无监督学习在人造卫星故障诊断、视频分析、社交网站解析和声音信号解析等方面大显身手的同时，在数据可视化以及作为监督学习方法的前处理工具方面，也有广泛的应用。这一类机器学习的典型任务有聚类、异常检测等。
强化学习
强化学习，与监督学习类似，也以使计算机获得对没有学习过的问题做出正确解答的泛化能力为目标，但是在学习过程中，不设置老师提示对错、告知最终答案的环节。
So Easy，就像读小学一样。那接下来纯图片说明，Are you OK ?
监督学习和无监督学习中典型的任务包括回归、分类、异常检测、聚类和降维等。
回归
分类
异常检测
聚类
降维
怎样？这图片看起来是否美到没人爱？
机器大法修炼绝世秘籍
【预警】：前方高能广告，注意集中精力。
187张图解轻松入门
提供可执行的Matlab程序代码
覆盖机器学习中最经典、用途最广的算法
本书用丰富的图示，从最小二乘法出发，对基于最小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种无监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。
