1.機器學習的一個主要任務就是分類。

2.學習如何分類需要做演算法訓練，為演算法輸入大量已分類資料作為演算法的訓練集。

3.分類問題中的目標向量稱為類別，並假定分類問題只存在有限個數的類別。

4.訓練資料和測試資料。

5.假定某一個演算法，經過測試滿足精確度要求，已經學會了如何分類，這部分工作稱之為知識表示。

6.機器學習的另一個主要任務就是迴歸，主要用於預測數值型資料。

7.分類和迴歸屬於監督學習，之所以稱為監督學習，是因為這類演算法必須知道預測什麼，即目標的分類資訊。

8.與監督學習對應的是無監督學習，在無監督學習中，將資料集合分成由類似的物件組成的多個類的過程被稱為聚類

9.分類：k-近鄰演算法、樸素貝葉斯演算法、支援向量機、決策樹

迴歸：線性迴歸、區域性加權線性迴歸、Ridge迴歸、Lasso最小回歸係數估計

聚類和密度估計：K-均值、最大期望演算法、DBSCAN、Parzen窗設計

10.選擇實際可用的演算法必須考慮：1）使用機器學習演算法的目的，想要演算法完成何種任務；2）需要分析或收集的資料是什麼。

11.學習和使用機器學習演算法開發應用程式步驟：1）收集資料；2）準備輸入資料；3）分析輸入資料；4）訓練演算法；5）測試演算法；6）使用演算法。

12.Python語言的優勢：易於理解，豐富的函式庫（尤其是矩陣操作）、活躍的開發者社群等。

13.Python適用於機器學習演算法：1）Python的語法清晰；2）易於操作純文字檔案；3）使用廣泛，存在大量的開發文件。

Python不足：效能問題。