大纲
机器学习的一些基本概念：有/无监督学习、半监督学习、回归、降维等机器学习常用分类算法：朴素贝叶斯、支持向量机、逻辑回归等机器学习的聚类方法：k-means算法机器学习的应用9.1 简介
机器学习训练的要素
数据转换数据的模型衡量模型好坏的损失函数调整模型权重以最小化损失函数的算法
机器学习中最重要的四类问题（按学习结果）
预测（Prediction）：用回归（Regression，Arima）等模型；聚类（Clustering）：如K-means方法；分类（Classification）：支持向量机（Support Vector Machine，SVM）、逻辑回归（Logistic Regression）；降维（Dimensional reduction）：主成分分析法（Principal Component Analysis，即纯矩阵运算）；
按学习方法分
监督学习（Supervised Learning）：给定输入xxx，如何通过在标注输入和输出的数据上训练模型而预测输出yyy；
主要是先准备训练数据，然后抽取所需特征形成特征向量（Feature Vectors），将这些特征连同对应标记（label）一起给学习算法，训练出一个预测模型（Predictive Model），然后采用同样的特征提取方法对新测试数据进行特征提取，然后使用预测模型对将来的数据进行预测；
无监督学习（Un-supervised Learning）半监督学习（Semi-supervised Learning）增强学习（Reinforced Learning）
9.2 几种常用机器学习方法
文本分类
大致分为以下步骤：
定义阶段：定义数据及分类体系，具体分为哪些类别，需要哪些数据；数据预处理：对文档分词、去停用词等；数据提取特征：对文档矩阵降维，提取训练集中最有用的特征；模型训练阶段：选择具体分类模型及算法，训练文本分类器；评测阶段：测试集上测试并评价分类器性能；应用阶段：应用性能最高的分类模型对分类文档进行分类；
特征提取
Bag-of-words：最原始的特征集，一个单词/分词即为一个特征；统计特征：Term frequency(TF)、Inverse document frequency（IDF）；N-Gram：考虑词汇顺序的模型，即N阶Markov链，每个样本转移为转移概率矩阵；
序列学习
语音识别文本转语音机器翻译
