之前一直在学习关于数据挖掘的理论知识， 今天开始接触一下关于它的一个分支—机器学习。
机器学习简单的来说就是通过历史数据，通过一些数据分析的技术，建立一个“数据模型”， 当有新的数据通过这个数据模型，可以进行相应的预测。
常用的学习主要分为三类：
- 有监督学习： 分类、 回归
- 无监督学习： 聚类
- 半监督学习： 结合
简单来说有监督学习和无监督学习的区别就是有没有Label的标记。
举例：
比如我们有一堆的数据来表示来描述这个事物，用来表示“猫”
又有另一堆的数据来表示来描述另一个事物，用来表示“狗”
这一类的数据，都有一个Label，表示“猫”或者表示“狗”， 我们称之为有监督的学习，
无监督的学习，就是通过一堆的数据，进行分析，建立一个模型，但是不输出Label。
机器学习常用的编程语言主要包括： Python、R语言、Java、C/C++ 等；
Python语言比较中立，并且更适合做产品， Python语言的内存管理也比较容易，交给自己的GC即可， 另外，它配套的类库也比较多。用的人数也更多，更
R语言更适合做数据模型，不太适合做产品。Java适合做产品，但是目前因配套的库还不多，编写起来就比较复杂。其他的语言目前相对人数就更少一些了。
这里我们就选用Python语言作为我们机器学习的编程语言。
闲话少说，我们从安装到编写“Hello World”程序开始。
###一、 Mac OS下安装python3
1、打开终端，安装homebrew（之前文章有介绍过，这里不在介绍它的安装方式）；
2、输入命令
1 | brew install python3 |
我们这里使用的是python3版本。
3、安装jupyter （jupyter是一个编辑器，可以在上填写公式、注释与代码）
1 | pip3 install jupyter |
安装成功之后，可以测试一下Juptyter的网页服务内容。
4、输入命令
1 | jupyter notebook |
这时，打开浏览器，输入地址： localhost:8888/tree
打开的网页中，默认在Files中，显示的是自己电脑根目录下的所有文件夹；
接着点击右上角 “New–Python3”， 此时会自动跳转到一个新的网页，
如图：
我们可以在 In []: 地方，输入
1 | print （“Hello world”） |
程序立刻会输出我们需要打印的信息。
以上的方式可以做python自带的一些库的操作， 但是如果想要使用机器学习中的库，就需要安装Anaconda工具了。
###安装Anaconda
Anaconda是一个用于科学计算的Python发行版， 它提供了包管理与环境管理的功能， 方便解决Python多个版本并存，切换以及第三方包安装的问题。
Anaconda利用命令 conda 来进行package和environment的管理，并且提供了Python相关的工具。
可以直接在官网上下载自己系统的安装包 https://www.continuum.io/downloads
选择自己合适的Python版本， 建议选择3.6以上的版本。
下载好安装包之后，直接安装即可。
如果需要使用conda命令， 需要进行配置
1 | vi ~/.zshrc |
在文件中，加入anaconda的PATH路径
1 | export PATH="$PATH:$HOME/.rvm/bin:/anaconda/bin" # Add RVM to PATH for scripting |
保存并退出后， 执行命令
1 | source ~/.zshrc |
让此文件生效。 验证是否生效的方式，直接输入命令 conda 查看是否输出，如下图
####安装好Anaconda后，我们打开工具Anaconda-Navigator， 界面如下图：
点击第一个jupyter栏， 就会默认打开一个网页（与上述jupyter notebook 命令相同，但这个打开的页面，会带入很多常用的第三方工具库）。
###Python的基础入门
因为Python语言与JavaScript语言比较接近，使用起来很方便， 不用提前提前声明变量的类型。
#####声明 Int 或者 String类型
#####判断某一个变量的类型方法
#####声明一个数组，添加新的元素，取值等
注意：上面的months[1:3]这一行的index比较特殊， 我们知道数组的index是从第0位开始取值的， [1:3]中的1表示的从第1个位置取值， 这里的3表示的是第3个位置，但是不包括3个位置的元素。
#####声明一个数组，对所有的元素进行遍历
#####声明一个字典的2种方式
是不是感觉以上的内容还是特别容易理解呢，这里不再过多介绍了，介绍我们看一个机器学习中经常使用到的类库 numpy， numpy是Python对数据进行分析和矩阵中使用的一个非常关键的库
#####例如，声明一个一维矩阵和一个三维矩阵
#####查看矩阵的行列数为
可以看到vector是一个1行4列的矩阵， 而matrix是一个2行4列的矩阵 （使用的函数就是shape）
#####假如设置不同类型的存储
当numpy array中的最后一个元素为string，其余元素是int类型时， numpy会强制自动将它的元素统一转换类型，
这点与Python中的list不同的， Python中的list是元素之间的存储类型，是不影响其他元素的
#####矩阵的元素取值
matrix[:,1] 表示的我要取矩阵中的第一列的所有的数据 （从第0列开始取）
matrix[:,0:2] 表示的我要取矩阵中的第零列和第一列的数据 （从第0列开始取）
同理，假如取某一行的数据
matrix[1,:] 表示的我要取矩阵中的第一行的数据 （从第0行开始取）
#####判断矩阵中所有元素的值是否等于某一个数值
最终会打印出一个bool类型组成的新矩阵
#####判断矩阵中所有元素的值等于某一个数组的取值方式
equal_to_ten为一个bool类型组成的数组，再带入到vector数组中，则只会保留为true的元素；
#####将一个数据类型转为另一个数据类型 （String 转 float）
#####将矩阵中按行求和
#####获取一维数组转换为多维矩阵
np.arange(15) 表示从0开始取15个数，
np.arange(15).reshape(3,5) 表示将取出来的15个数，划分为一个3行5列的矩阵
另外， a.dtype.name 表示的这个矩阵中的元素是什么类型的（这里是int32）
a.size 表示这个矩阵中的元素个数 （这里是15）
#####定义一个3*4的初始化矩阵
表示得到了一个3行4列的一个空矩阵
#####同理，定义一个234结构并且初始化为1的元素的矩阵
#####定义一个等差数列
比如上边第2行表示，从10-30中取值（不包含30）， 每次累加值（差值）为5
下面那个例子是从0-2中取值（不包含2）， 每次累加值（差值）为0.3 （小数也是可以这样定义）
#####矩阵与矩阵的运算
上图中， A*B表示的是矩阵之间的内积的运算
比如A*B结果矩阵中的第0行第0列的2，
是由A矩阵中第0行第0列的1 乘以 B矩阵中第0行第0列的2， 得到的结果2，放到结果矩阵中的第0行第0列
同理，A矩阵中第0行第1列的1 乘以 B矩阵中第0行第1列的0 ， 得到的结果0，放到结果矩阵中的第0行第1列
A.dot(B) 与 np.dot(A,B)的计算结果相同
计算的方式为：
比如A.dot(B)结果矩阵中的第0行第0列的5，
是由A矩阵中第0行第0列的1 乘以 B矩阵中第0行第0列的2得到结果2， 再加上A矩阵中第0行第1列的1 乘以B矩阵第1行第0列第3得到结果3，
然后再把2+3=5 这个值放到结果矩阵的第0行第0列中， （即 1x2+1x3=5）
同理A矩阵中第0行第0列的1 乘以 B矩阵中第0行第1列的2得到结果0， 再加上A矩阵中第0行第1列的1 乘以B矩阵第1行第1列4得到结果4，
然后再把0+4=4 这个值放到结果矩阵的第0行第1列中， 即 0x0+1x4=4）
其实就是A与B矩阵的乘法运算
#####矩阵的exp和sqrt的运算
上图，指定了一个数组， 通过np.exp(B), 计算数组的e的多次次幂，
通过np.sqrt(B),计算数组的根号运算
####其他
ravel()相当于将一个多维矩阵，变换为了一个一维的矩阵；
shape也可以变换矩阵， a.shape=（6，2）表示将原来的矩阵变换为一个6*2的矩阵；
vstack表示将2个矩阵进行竖着组合为一个矩阵；
hstack表示将2个矩阵进行横着组合为一个矩阵；
hsplit表示将1个矩阵进行横着切分为多个矩阵， 比如np.hsplit(a,3)表示切分为3个矩阵；
当然也可以指定位置切分np.hsplit(a,(3,4))表示从第3列切一次，在第4列又切一次， 最终切分为了3个矩阵；
vsplit表示将1个矩阵进行竖着切分为多个矩阵， 比如np.vsplit(a,3)是表示切分为3个竖的矩阵；
###内存管理
通过这个实例，我们也能清楚的知道，a和b指向的是同一块内存； id(a) 表示a的内存地址；
通过这个实例，我们知道 c = a.view（）， 表示的c对a是一个浅复制， 他们的内存地址不同，只是c在创建是，与a的值相同。
当然，也可以通过copy的方式进行浅复制
也是只是值的复制，a和d的内存地址不同。
今天先介绍到这里，接下来我还会持续更新此次内容，敬请期待。