文件以.开头的，相当于隐藏文件

/windows有分盘

而linux没有分盘。在直接用

除了home文件夹，其它的都不用动

只有第一个/才能称之为根目录

tree 的命令

Linux内核有几千万行代码

Linux发行版本

Android 是Linux kernel外面封装一圈java程序

桌面环境，是win的天下

操作系统，就是让多个程序一起执行

所谓的并发，莫过如此

Android的本质，就是linux

kernel是整个操作系统，最核以的东西

LINUX kernel 封装了java的东西，就是Android

Unix是整个OS的鼻祖

用同一门语言，运行在联想的电脑上，与华硕的电脑上，运行的结果不一样。

叫做跨硬件平台性比较差。

BCPL的第二个字母作为这种语言的名字，这就是C语言

C语言的主体完成，Thompson和Ritchie迫不及待地开始用它完全重写现在大名鼎鼎的Unix

迭代：已有版本，开发一个新的版本，称之为迭低

开源与闭源

他以小型UNIX（mini-UNIX）之意，将它称为MINIX

mini-Unix 用来教学

汽车导航：默认出厂的WIN CE

Android主要运行在移动端

win10 主要在PC上，个人电脑上

操作系统为自己控制硬件

什么是操作系统

操作系统OS

软件，能够直接控制硬件，向上支持应用软件使用

没有操作系统的

应用层软件，

v lü k k g g k d ji g k r n n n ni ii

https://cloud.189.cn/t/FRVN3ebaYF7f

开发环境：IDLE、pycharm……

官方：www.python.org

【深度学习框架】

- Scikit-learn：面向机器学习，不支持 GPU 加速

- Caffe：第一个面向深度学习的框架

- Keras

- Theano

- Torch

- Singa

- PyTorch

- TensorFlow

- 线性回归需要标准化

决策树的分类依据之一

信息增益

【分类模型的评估标准】

【准确率】

estimator.score()：一般最常见使用的是准确率，及预测结果正确的百分比

【混淆矩阵】

在分类任务下，预测结果和正确标记之间存在四种不同的组合，构成混淆矩阵（适用于多酚类）

【精确率】

预测结果为正例的样本中，真实为正例的比例（查得准）

【召回率】

真实为正例的样本中，预测结果为正例的比例（查的全，对正样本的区分能力）

【分类模型评估API】

sklearn.metrics.classification_report (y_true, y_predict,  target_names = None)

- y_true：真实目标值

- y_predict：估计器预测目标值

- target_names：目标类别名称

- return：每个类别精确率与召回率

朴素贝叶斯案例流程

1. 加载新闻数据，并进行分割

2. 生成文章特征词

3. 朴素贝叶斯流程进行预估

K近邻算法：相似的样本，特征之间的值应该都是相近的

k近邻算法：需要做标准化处理

【转换器】

fit_transform()：输入数据并直接转换

fit()：输入数据，但不做其他事

transform()：进行数据的转换

【估计器】是一类实现了算法的API

1. 用于分类的估计器：

-- sklearn.neighbors 

-- sklearn.naive_bayes

-- sklearn.linear_model.LogiscRegression

-- sklearn.tree

2. 用于回归的估计器

-- sklearn.linear_model.LinearRegression

-- sklearn.linear_model.Ridge 

估计器流程

1、调用训练集：fit(x_train, y_train)

2、输入待预测的测试集数据：

2.1、y_predict = predict( x_test)

2.2、验证预测的准确率：score( x_test, y_test)

【sklearn 数据集】

- 数据集的划分：将数据集划分为训练集（建立模型）和测试集（评估模型）

- sklearn数据集划分API：sklearn.model_selection.train_test_split

--sklearn.datasets：加载获取流行数据集

1. datasets.load_*()：获取小规模数据集，数据包含在datasets中

2. datasets.fetch_*(data_home=None)：获取大规模数据集

--获取数据集返回的类型为datasets.base.Bunch（字典格式）

---data：特征数据数组，是 [n_samples*n_features] 的二维 numpy.ndarray 数组

---target：标签数组

---DESCR：数据描述

---feature_names：特征名

---target_names：标签名