1.6　本章小結

本章從宏觀角度探討了機器學習，讓你對全局和主要概念有所了解，后續章節將會探討更多的細節。在本章中，我們了解到監督學習有分類與回歸兩個重要分支。分類模型為對象分配已知的分類標簽，回歸分析模型可以預測目標變量的連續結果。無監督學習不僅為發現未標記數據中的結構提供了有用的技術，而且對特征預處理過程中的數據壓縮也很有用。

本章簡要討論了應用機器學習技術解決問題的典型路線圖，為后續章節深入討論和動手實踐奠定了基礎。最后，我們搭建了Python環境，安裝并更新了所需要的軟件包，為執行機器學習的示例代碼做好了準備。

除了機器學習本身，本書后續還將引入不同的數據集預處理技術，這將有助于從不同的機器學習算法中獲得最佳性能。除了廣泛討論分類算法以外，本書還將探索回歸分析和聚類的不同技術。

閱讀本書是一段激動人心的旅程，書中涵蓋了機器學習領域的許多強大技術。閱讀各個章節，可以循序漸進地掌握相關知識，逐步深入地了解機器學習。我們將在下一章介紹早期機器學習分類算法的實現，這也將為第3章做好準備。第3章將覆蓋更多使用開源scikit-learn機器學習軟件庫的高級機器學習算法。

[1]The Lack of A Priori Distinctions Between Learning Algorithms, D. H. Wolpert, 1996; No free lunch theorems for optimization, D. H. Wolpert and W. G. Macready, 1997.