屁话不多了，此次学习笔记旨在巩固理论，付诸代码，知道典型的模型及算法，另外也训练下自己的表达能力。
1. supervised learning
2. unsupervised learning
3. model selection and evaluation
4. datasets transformations
5. datasets loading utilities
6. strategies to scale computationally: bigger data
7. computational performance
先列出大纲，共六部分
1. Classification
目标：识别物体属于哪个类；
应用：spam detection（垃圾邮件检测），image recognition（图像识别）
举例：SVM，nearest neighbour，random forest
2. Regression
目标：预测一个物体的某个属性的连续值
应用：Drug response（药物反应），stock prices（股票价格）
举例： SVR，ridge regression，Lasso
3. Clustering
目标： 自动将相似的物体归成一个集合
应用： customer segmentation（顾客分割），grouping experiment outcomes（分组实验）
举例：K-means，spectral clustering（谱聚类），mean shift
4. Dimensionality reduction
目标： 减少随机变量的数量
应用：视觉化， 增加效率
举例：PCA，feature selection， non-negative matrix factorization（非负矩阵分解）
5. Model selection
目标：比较，校验，选择参数和模型
应用： 通过调整参数来改善准确率
举例：grid search， cross validation， metrics
6. Preprocessing
目标： feature extraction and normalization
应用：转化下输入数据，比如文字，用于ML算法
举例：preprocessing， feature extraction
