2018-11-27 机器学习打卡
课1 为什么学习公式：
选特征、调超参、换模型，称为调参工程师的三板斧，要想有章法地使用它们，理论基础还是必不可少的。
核心工作：工作就是在限定的数据上、规定时间内，为具体技术需求（比如训练一个分类器）提供性能尽量高、消耗资源尽量少的模型。
真正创造价值的，从来都是解决实际问题的人。
到了这一步，即使还使用现成工具，也不是靠 Google 一下 Best Practice，以及复制粘贴下代码就能解决的了。必须具备理论基础和数学层面的建模能力才行。
课2 改变看世界的方式：
有助提升逻辑，更深层次和更奇特的角度看待事物、认识人性和人脑的判断。
课3 如何学习
以模型为驱动去学习。
经典模型例如：线性回归、逻辑回归、决策树、支持向量机、条件随机场、K 均值等，就是机器学习的“肌肉”。
多学几遍，内化了解。
数学的基本要求：函数、向量和矩阵、求导、求微与函数的关系、最简单的矩阵运算。
日常Tips：关联思考，记录整理，互相分享
课4 Python学习（练习未完成）
python 2截止到2020年不被支持，趁早学python 3。
练习demo 这个一定要花时间去实现一下:
编写第一个 Python 程序：“Hello world”。虽然有效代码只有：print（”hello world”）。但注意，你需要尝试至少三种不同的运行方法：在命令行直接运行；编写一个 Python 文件，将 print hello world 封装为一个函数，通过 main 函数调用它来运行；编写一个 class，将 print hello world 封装为一个 method，通过 main 函数创建 class 实例来运行 method。（3）编写一个或者多个复杂点的程序，用（2）中第2种或第3种方式执行。具体程序的功能可以自己定义，目的是借此了解下面这些概念：数据类型、变量、函数、参数、返回值、调用、递归……学习流程控制：顺序、条件、循环。搞清几种不同类型：array、list、dict、set 的用法。在这个过程中，学习什么是静态类型、什么是动态类型、什么是强类型、什么是弱类型，这些不同设计的目的和应用场景分别是什么。如果你实在不知道写什么程序好，那就写写 binary search 和 quick sorting 吧。并顺便尝试一下递归和非递归的不同实现。
以及文件读写操作，测试如 Logistic Regression模型。
第8项也提的太简单了，自己实现算法到底要怎么做，感觉没法下手
