1.1 - 机器学习概述
1. ML基本认识
机器学习是研究AI的一种方法。其从数据中挖掘特征从而学习到一些规律、规则（模型），然后对输入的新数据做出 预测(回归)和判断(分类)。
机器学习主要分为：
有监督学习：数据有标签，有监督学习分为 分类&回归 两类问题。
无监督学习：数据无标签，如：聚类等。
半监督学习：人工标注是一项极其耗时的工程，为了省一部分人工。只对一部分数据打标签，对模型训练也有效果。从而衍生了半监督学习。
强化学习：没有开始的训练数据，机器从环境中主动学习并获得反馈。
2. 数据集表示方法
通过笛卡尔坐标系中的坐标点来表示样本数据。在 机器学习中的数学：概率论 中，用距离通过映射函数来计算概率值。因此，在笛卡尔坐标系中，可以通过计算样本点间的距离来衡量样本的相似度。
常用的表示距离的方法：
曼哈顿距离（L1范数）；
欧式距离（L2范数）；
切比雪夫距离（L∞范数）；
闵可夫斯基距离（Lp范数）；
余弦距离（将坐标看作原点出发的向量）。
3. Jupyter环境设置
Jupyter是一个实时交互的机器学习代码运行平台，兼具本文文档的功能。 Jupyter按照cell来划分单元，每个cell可以单独运行，cell中的代码每运行一次就相当于复制当前cell的代码然后放在后面与逆行，因此，多次执行某个cell的代码且cell代码修改了其中某个变量的值，下次运行cell的时候，该变量的值会继承上次cell运行返回的结果。
Jupyte的优势在于：可以将整个项目代码分成几段分别运行；并且能及时返回结果，实时交互。
修改Jupyter工具默认的项目文件存储 根路径：
1）在配置文件中设置Jupyter文件存储 根路径。
2）在某个环境下，修改Jupyter的 文件存储路径为配置文件中的存储路径。
3）重启。
