分类
    确定对象属于哪个类别。
    应用：垃圾邮件检测，图像识别。 算法： SVM，最近邻居，随机森林，……
    回归
    预测与对象关联的连续值属性。
    应用：药物反应，股票价格。 算法： SVR，岭回归，套索，……
    聚类
    将类似对象自动分组到集合中。
    应用：客户细分，分组实验结果 算法： k-Means，谱聚类，均值漂移，……
    降维
    减少要考虑的随机变量的数量。
    应用：可视化，提高效率 算法： PCA，特征选择，非负矩阵分解。
    模型选择
    比较，验证和选择参数和模型。
    目标：通过参数调整提高准确性 模块： 网格搜索，交叉验证，指标。
    预处理
    特征提取和规范化。
    应用程序：转换输入数据（如文本）以与机器学习算法一起使用。 模块： 预处理，特征提取。

    scikit-learn，又写作sklearn，是一个开源的基于python语言的机器学习工具包。它通过NumPy, SciPy和
    Matplotlib等python数值计算的库实现高效的算法应用，并且涵盖了几乎所有主流机器学习算法。
    官网：https://scikit-learn.org/stable/
    在工程应用中，用python手写代码来从头实现一个算法的可能性非常低，这样不仅耗时耗力，还不一定能够写出构架清晰，稳定性强的模型。更多情况下，是分析采集到的数据，根据数据特征选择适合的算法，在工具包中调用算法，调整算法的参数，获取需要的信息，从而实现算法效率和效果之间的平衡。而sklearn，正是这样一个可以帮助我们高效实现算法应用的工具包。
    sklearn有一个完整而丰富的官网，里面讲解了基于sklearn对所有算法的实现和简单应用。然而，这个官网是全英文的，并且现在没有特别理想的中文接口，市面上也没有针对sklearn非常好的书。因此，这门课的目的就是由简向繁地向大家解析sklearn的全面应用，帮助大家了解不同的机器学习算法有哪些可调参数，有哪些可用接口，这些接口和参数对算法来说有什么含义，又会对算法的性能及准确性有什么影响。我们会讲解sklearn中对算法的说明，调参，属性，接口，以及实例应用。注意，本门课程的讲解不会涉及详细的算法原理，只会专注于算法在sklearn中的实现，如果希望详细了解算法的原理，建议阅读下面这本两本书：
    image.png