#机器学习
##概念
PM应该掌握的内容：
（a）机器学习流程；
（b）ML可以解决的问题分类；
（c）算法基本原理；
（d）工程实践中算法、数据和计算资源之间的依赖关系；
###1. ML与几种常见概念的关系
###2. ML本质
##机器学习流程拆解
（1） 原始数据采集–>（2）数据预处理–>（3） 模型训练–>（4）模型评估–>（5）调参–>（6）推断
数据挖掘中的预处理方法：数据清洗、数据集成、数据转换、数据削减、数据离散化等；
深度学习中的预处理方法：归一化、数据白白化等；
##AI PM必备算法常识
###1. 算法分类
方式1：模型训练方式
监督学习、无监督学习、半监督信息、强化学习；
方式2：任务分类
二分类、多分类、回归、聚类、异常检测；
###2. 算法适用场景
需要分析的因素：
（1）数据量的大小、数据质量和数据本身的特性。
（2）机器学习要解决的具体业务场景中问题本质是什么?
（3）可以接受的计算时间是什么?
（4）算法精度要求有多高?
根据算法的擅长点选取不同的算法！
##ML的常见开发平台
