机器学习是人工智能的一个实现途径。深度学习是机器学习的一个方法发展而来
监督学习、无监督学习、半监督学习、强化学习
有监督学习是指训练数据中包含了输入和输出的标签信息，目标是通过已知输入和输出来预测新数据的标签。
无监督学习是指训练数据中只有输入特征，没有输出标签，目标是根据数据的内在结构、分布或相似性进行聚类、降维等操作。
具体例子：
假设我们有一组包含房屋面积和销售价格的数据。如果我们要根据已有数据预测新房屋的销售价格，这就是一个有监督学习的问题。而如果我们只有房屋面积的数据，但没有任何关于价格的信息，我们可以使用聚类算法将相似大小的房屋分组，这是一个无监督学习的问题。
机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。
1.获取数据
2.数据基本处理
3.特征工程
4.机器学习(模型训练)
5.模型评估
结果达到要求就上线服务，如果没有达到要求，重新上面步骤
线性回归是利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式。
特点：只有一个自变量的情况称为单变量回归，多于一个自变量情况的叫做多元回归。
全梯度下降算法，随机梯度下降算法，小批量梯度下降算法，随机平均梯度下降算法。
答：过拟合是指在训练数据上表现很好，但在新数据上表现较差的现象。
防止过拟合的方法包括：
- 数据集扩充：增加更多的训练样本，从而减少模型对特定数据的过度拟合。
- 正则化：通过在损失函数中引入正则化项，约束模型的复杂度，防止模型过分拟合训练数据。
- 交叉验证：使用交叉验证方法对模型进行评估，通过评估模型在不同数据集上的性能，选择性能较好的模型。
- 特征选择：选择最相关的特征，去除冗余或无关的特征，以减少模型的复杂度。
9、欠拟合和过拟合的原因分别有哪些？如何避免？
分析：
欠拟合的原因：模型复杂度过低，不能很好的拟合所有的数据，训练误差大；
避免欠拟合：增加模型复杂度，如采用高阶模型（预测）或者引入更多特征（分类）等。
过拟合的原因：模型复杂度过高，训练数据过少，训练误差小，测试误差大；
避免过拟合：降低模型复杂度，如加上正则惩罚项，如L1，L2，增加训练数据等。
10、简述一下K-means算法的优点和缺点。
优点
1）原理简单（靠近中心点），实现容易。
2）聚类效果中上（依赖K的选择）。
3）空间复杂度o(N)，时间复杂度o(IKN) 。N为样本点个数，K为中心点个数，I为迭代次数。
缺点
1）对离群点，噪声敏感 （中心点易偏移）。
2）很难发现大小差别很大的簇及进行增量计算。
3）结果不一定是全局最优，只能保证局部最优（与K的个数及初值选取有关）。
?