这个打框，为什么是回归呢？视频里没有解释啊，只是给了一个结论。我觉得是聚类啊

老师，就是说数据通过算法构建模型，最终形成拿新数据预测未来结果

老师，这里的打框怎么就成了回归了呢？没弄明白

老师，请问监督学习任务 除了 分类 和 回归，还有别的 吗？

老师，请问 无监督学习任务  只有 聚类 和 降维两种吗？ 还要别的吗？

老师，以前在学校里学过一门课，将数字化数据处理中 有 采样率的问题，这和本节讲到的降维 有何异同？

抱歉，学到后面才知道 术语写错了，Supervised learning：监督学习；unsupervised learning:无监督学习。

请问，老师视频里讲到，前者是有x（输入）有y（输出），而后者强调输入x，而可能无输出y。  怎么从x, y 这种输入输出的函数关系角度来理解 learning 与 unsupervised learning的学习模式之间的差别？

无监督学习的输出 参数 是技术能实现但不需关心吗?还是说 技术原因无法实现？ 

能否举例？

请问，老师视频里讲到，前者是有x（输入）有y（输出），而后者强调输入x，而可能无输出y。  怎么理解 monitored learning 与 non-monitored learning的学习模式之间的差别？ 

请问，有监督的机器学习 与 无监督的机器学习的 区别，在于 前者有更为细致具体的输出（如，细致到可以人脸识别，打标签等），而后者只能做到比较粗狂的输出（如 仅能做到分类），这样的理解 对吗？ 

无目标变量具体是什么意思？

我个人的理解：因为在历史数据中，有一系列的x值，和所对应的一系列的y值；而无目标变量是说：有x值，却没有y值，或者说，我们想要预测到的y值，在已有是数据中，没有x与之对应。

这样理解正确吗？请详细的为我解释一下

1. mapreduce 是什么计算框架？   

2.  xgboost 是基于什么的封装算法？

3. 海量数据挖掘的三个封装，都是分布式封装吗？

4. 分布式封装也可以称为算法吗？

5. 数据挖掘用到的算法，可以称作一般算法吗？

6. 总共有多少种不同类型的封装，比如：数据挖掘用到的叫——封装算法，海量数据挖掘叫——分布式封装算法

可以这样称之为吗？除了这两大类的算法，还有什么是人工智能用到算法呢？

1. 任务、需求，讨论的是要做什么？
   如：分类鸢尾花.....等等。

2. 算法，围绕的是怎么去做，如何实现？
   如：ML、DL.....等等。
   (1) 回归：拟合历史数据，绘制出某事物之间关系在过去，现在的趋势，进而预测其未来的走势。
        如：统计某个人的博客情况，采取的是时间与访问量之间的关系来表现目前的趋势，进而估计将来的走势。

   (2) 分类：按某条件去划分数据的方法。
        如：分类器的创建过程：
               1-收集数据，按特征、标签分类，有点类似数据表中的字段哦。
               2-建立对应关系，F(特征->类别)，有点类似数学中的函数哦，y = f(x)。

               3-训练：导入数据，检验1、2，不停的修正；

               4-实践：放入到现实中检验其是否稳定，可靠。

   (3)聚类：分组/归堆

       如：用数据之间的相似度来进行。

   (4)降维：去繁取精、化复为简
       如：繁指的是：沉余信息、噪声、重复多余部分；
              精指的是：归纳，抽象出的特征；
              化复为简指的是：降维，简化。

3. 监督学习：x，y 之间的对应关系都是已知的。
   (1) 回归、(2) 分类
   场景：分类猫与狗；房价是涨还是跌？
   无监督学习：x，y不知道，需要让机器自己统计，归纳。
   (3)聚类、(4)降维

      场景：异常检测、用户分组；数据的预处理、可视化、提高模型的计算速度。

1. 人工智能为什么说是拟人？

   因为人工智能是让机器模拟人的行为能力、思维能力来处理各种现实中的问题，所以说是拟人。

   
   

2. 人工智能的流程是什么？

（1）训练

         设定任务：区分猫和狗

         数       据：狗狗样本、猫咪样本（特征值：如：耳朵大小、毛发的颜色、长短等等）

         数学模型：输入狗狗样本 ---> 识别狗狗的算法 ---> 是狗、不是  

（2）测试

         输入狗狗样本的数据集，来检验训练出来的数学模型是否正确。
         

         （a）假如正确率变低了该怎么提高呢？

               1）扩大数据集合，如：收集全世界的狗、猫的样本；

               2）修正数学模型，如：直至正确率99.99%；         

（3）应用

         运用测试好的数学模型来解决具体问题的过程，如：猫、狗识别摄像头。

    3. 人工智能的本质是去计算什么？
       解方程组，获取参数。

       我的理解是：其本质是分类器，用来区分，识别目标对象的工具。

阶段概述：本阶段讲解，K-means聚类算法，K-means聚类算法的变形，密度聚类，层次聚类、谱聚类、PCA降维算法、EM期望最大化、GMM高斯混合模型。

达成目标：通过本阶段学习，掌握无监督机器学习算法的作用和原理，透彻理解聚类和降维的本质区别，今后可以正确选择无监督学习算法，并实战开发。

ai就业怎么样,

阶段概述：本阶段讲解，人工智能的应用，人工智能的工作流程、基本概念，人工智能的任务和本质，KNN最近邻算法。

达成目标：通过本阶段学习，快速理解人工智能能做什么，要做什么，并掌握KNN算法以及算法的代码实现。