屁話不多了，此次學習筆記旨在鞏固理論，付諸代碼，知道典型的模型及算法，另外也訓練下自己的表達能力。
1. supervised learning
2. unsupervised learning
3. model selection and evaluation
4. datasets transformations
5. datasets loading utilities
6. strategies to scale computationally: bigger data
7. computational performance
先列出大綱，共六部分
1. Classification
目標：識別物體屬于哪個類；
應用：spam detection（垃圾郵件檢測），image recognition（圖像識別）
舉例：SVM，nearest neighbour，random forest
2. Regression
目標：預測一個物體的某個屬性的連續值
應用：Drug response（藥物反應），stock prices（股票價格）
舉例： SVR，ridge regression，Lasso
3. Clustering
目標： 自動將相似的物體歸成一個集合
應用： customer segmentation（顧客分割），grouping experiment outcomes（分組實驗）
舉例：K-means，spectral clustering（譜聚類），mean shift
4. Dimensionality reduction
目標： 減少隨機變量的數量
應用：視覺化， 增加效率
舉例：PCA，feature selection， non-negative matrix factorization（非負矩陣分解）
5. Model selection
目標：比較，校驗，選擇參數和模型
應用： 通過調整參數來改善準確率
舉例：grid search， cross validation， metrics
6. Preprocessing
目標： feature extraction and normalization
應用：轉化下輸入數據，比如文字，用于ML算法
舉例：preprocessing， feature extraction
