- 什么是机器学习：数据中自动分析获得规律（模型），利用规律对未知数据进行预测

- 影响人工智能发展的重要因素：计算能力、数据大小、算法发展

- 使用场景：无人驾驶的场景识别、图片艺术化、医用彩超辨别、需求销量等数据预测

- 机器学习领域：自然语言处理、图像识别、传统预测

- 机器学习库和框架：scikit learn（机器学习）、tensorflow（深度学习）

- 书籍：统计学习方法、机器学习、python数据分析与挖掘实战、机器学习系统设计、面向机器智能tensorflow实践

- 课程概要：特征工程、模型策略优化、分类回归聚类、tensorflow、神经网络、图像识别、自然语言处理

最后一问结果是99.99999,是对的吗

numpy多用在大型、多维数组上执行数值运算；

折线图：能够显示数据的变化趋势，反应事物的变化情况（变化）

直方图：绘制连续性的数据，展示一组或多组数据的分布情况（统计）

条形图：绘制离散的数据，能够一眼看出各个数据的大小，比较数据之间的差别（统计）

散点图：判断变量之间是否存在数量关联趋势，展示离群点（分布规律）

matplotlib

1. 可以将数据进行可视化，更直观的呈现，是数据更加客观有说服力；是Python的底层绘图库；
2. 基本要点：
   1. axis轴：x或y轴；

   2. from matplotlib import pyplot as plt(命名为plt简写）

数据分析的介绍

1. 为什么学习数据分析：Python数据科学的基础与机器学习课程的基础。
2. 数据分析师用适当的方法对手机的大量数据进行分析，帮助人们做出判断，以便采取适当行动。
3. 数据分析流程：提出问题、准备数据（数据清洗或预处理）、分析数据、获得结论、成果可视化。

切片和索引

1.选择行 t【2】

2.选择列t【3:,:】

3.选择行列 连续的多行 t[2:,:3]

4.索引 t【2,3】

### numpy中的nan和inf

1.当本地文件为float的时候，有缺失时，会出现nan

或者做义工不适合的计算时

2.inf表示正无穷，-inf是负无穷

### numpy常用统计函数

1.求和:np.sum(t3,axis=0)是计算行上的结果

（axis=1是计算列上的结果）

2.均值：np.mean(t,axis=0)

3.中值：np.median(t3,axis=0)

4.最大值：np.max(axis=0)

5.最小值：np.min(axis=0)

6.极值：np.ptp(t3,axis=0)

7.标准差：np.std(axis=0)

标准差反应数据的波动情况，越大则越分散

## numpy好用的方法

1.获得最大值最小值的位置

  np.argmax(t,axis=0)

  np.argmin(t.axis=1)

2.创建一个全为0的数组：np.zeros((3,4))

3.创建一个全为1的数组：np.ones((3,4))

4.创建一个对角线为1的正方形数组（方阵）：

np,eye(3)

## numpy生成随机数

##数组的拼接

#竖直拼接

np.vstack((t1,t2))

#水平拼接

np.hstack((t1,t2))

#行交换

t[[1,2],:]=t[[2,1],:]

#列交换

t[:,[0,2]]=t[:,[2,0]]

np.where(t<10,0,10)#numpy三元运算符

如果t<10，则为0，否则为10

np.clip(10,18)#numpy的裁剪

## numpy读取本地数据

numpy读取数据

np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)

###数组的计算

np.shape()只有一个值是一维的，指的是有多少个元素

两个值，二维，指几行几列

三个值，三维

np.reshape(（3,4）)把什么变成三行四列形式

```python

import numpy as np
t1=np.arange(32).reshape((2,4,4))
print(t1)

```

t1.flatten()可以快速把数据按顺序变成二维的

1.广播机制:数组与数字直接运算

2.特例：t1/0 ：0/0=nan，数字/0=inf

3.数组与数组计算，长度相同时，按维度依次计算

## numpy学习（处理数字性数据）

1.np.array()把内容变成数组

2.t1.dtype可以显示其类型

3.np.astype可以把类型改变

4.保存固定位的小数

np.round(range(10),3)

### 总结四种方法

matplotlib.plot()折线图

matplotlib.bar  条形图

matplotlib.scatter 散点图

matplotlib.hist 直方图

更多绘图软件：Aoache ECharts

#### 绘制直方图

组数=极差/组距

#### 条形图

plt.bar 竖着的条形图，线条粗细是width（线条的宽度）

plt.barh 横着的条形图，线条粗细成了height（线条的高低）

plt.grid 是添加网格，alpha是透明度

回归>>>均方误差MSE

#### 散点图是plt.scatter

遗忘知识点：

plt.legend(loc="uppper left",prop=my_font)