Python 深度学习 Class 4：机器学习基础

目录
4.1 机器学习分支
1.监督学习
2.无监督学习
3.自监督学习
4.强化学习
4.2 评估机器学习模型
1.数据划分
2.注意事项
4.3 数据预处理、特征工程和特征学习
1.预处理
2.特征工程
4.3 过拟合与欠拟合
1.减小网络大小
2.权重正则化
3.Dropout
4.5 通用工作流程 
1.定义问题，收集数据集
2.选择成功指标
3.确定评估方法
4.准备数据
5.模型开发
6.开发过拟合模型
7.正则化和调节超参数

玫瑰花香永不消逝
4.1 机器学习分支
1.监督学习
主要包括分类和回归，还有序列生成、语法树预测、目标检测、图像分割等
2.无监督学习
包括降维和聚类
3.自监督学习
没有人工标注的标签的监督学习
4.强化学习
4.2 评估机器学习模型
1.数据划分
在训练数据上训练模型，在验证数据上评估模型，在测试数据上做最终测试
若可用数据很少，可以使用以下几种评估方法。
（1）留出验证
留出一定比例的数据作为测试集。在剩余的数据上训练模型，

Python 深度学习 Class 4：机器学习基础最先出现在Python成神之路。