把无序的数据转换为有用的信息
机器学习的重要性不言而喻，它可以帮助我们解决生活当中的很多问题，比如预测鸟的种类，有时我们不可能在发现一种我们不知道的鸟的种类时，去请教鸟类的专家，这个时候，如果我们根据目前已有的关于鸟种类特征的数据，我们就可以训练得到相关预测鸟类别的模型，当满足精度要求后，我们就可以通过输入相关的特征，从而预测出鸟的类别。因为，我们只是想获取鸟类的相关信息，而不需要大费周章的去预约一个鸟类相关的专家
分类是机器学习的一项主要任务，主要是将实例数据划分到合适的分类中。
机器学习的另外一项任务是回归，主要是预测数值型的数据，比如通过数据值拟合曲线等。
分类和回归属于监督学习，这类算法必须知道预测什么，即目标变量的分类信息
与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程称为"聚类";将寻找描述数据统计值的过程称之为密度估计。此外，无监督学习可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观的展示数据信息。表1-2列出了机器学习的主要任务，以及解决相应问题的算法。
使用机器学习算法的目的，想要完成什么任务，比如是预测明天下雨的概率还是对投票者按照兴趣分组；
想要选择合适的算法，必须考虑以下两个问题：
首先考虑机器学习算法的目的。如果想要预测目标变量的值，则可以选择监督学习算法，否则可以选择无监督学习。确定选择监督学习算法后，需要进一步明确目标变量的类型，如果目标变量是离散型，则可以选择分类算法；如果是连续型，则需要选择回归算法。
其次应该考虑实际的数据问题，应该充分了解数据，对实际数据了解的越充分，越容易创建符合实际需要的应用程序。
主要应该了解数据的以下特征：
1）特征值是离散型变量还是连续型变量
2）特征值中是否有缺失的值，何种原因造成
3）数据中是否有异常值
4）某些特征发生的频率如何
通过上面对数据的充分了解，可以帮助我们缩小算法的选择范围，一般并不存在最好的算法和可以给出最好效果的算法，一般发现最好算法的关键环节是反复试错的迭代过程
收集数据：我们可以通过很多方法手机数据，比如制作网络爬虫从网站抽取数据，也可以使用公开的数据源
准备输入数据：得到数据之后，还必须确保数据格式符合要求，使用标准的数据格式可以融合算法和数据源，方便匹配操作；此外，还要为机器学习算法准备特定的数据格式，一般某些算法要求目标变量和特征值是字符串变量，而另外一些算法则可能要求是整数类型。
分析输入数据：主要是人工分析得到的数据，确保数据中没有垃圾数据。
训练算法：将前两步得到的格式化数据输入到算法，从中抽取信息
测试算法，为了评估算法，必须测试算法工作的效果。对于监督学习，必须已知用于评估算法的目标变量值；对于无监督学习，也必须用其他评测手段来检验算法的成功率。如果不满意算法的输出结果，不改变算法的前提下，问题常常与数据的收集和准备有关
使用算法：将机器学习算法转化为应用程序，执行实际任务，以检验上述步骤是否可以在实际环境中正常运行。
总之，对待实际的问题时，我们要充分了解当前数据的信息，充分利用数据的信息，借此选择出相对较好的机器学习算法，来帮助我们更好的解决实际的问题
