基于 MNist 数据集对机器学习进行入门学习
实验预备内容
1. python3 环境，pycharm，（jupyter notebook）
2. 需要用到的包：numpy,matplotlib,skearn
3. mnist 手写数据集
实验过程
1. 学习机器学习的概念知识
(1)机器学习的基本任务分为：分类任务和回归任务。
(2)机器学习可分为：监督学习，无监督学习，半监督学习，加强学习；也
可分为批量学习，在线学习，参数学习，非参数学习。
注：脱离具体问题，谈哪个算法好是没有；意义的。
2. 学习 Numpy 基础（由于我先用的 jupyternote，所以先学习了其相
关的基础操作，以及一些魔法命令）
较为重要的东西：
（1）array，arange，random（可帮助我们轻松的获得一些简单的，用来操
作的数据）
（2）用于在 numpy 中是把数据看做矩阵的，并有极高的效率，学习 numpy
中矩阵的操作 concatnate，h/vstack，split 等
（3）学习 fancy indexing，很重要，knn 的 predict 的底层编写就用的它。
3. 学习 matplotlib 基础
简单的懂得如何使用 pyplot 中的 plot 和 scatter 来实现数据可视化。
4. 学习 skearn 基础
（1）KNN——K 近邻算法
Knn 算法非常简单，对于底层实现的核心我认为是：
Distance=[sqrt(np.sum((x_train-x)**2)) for x_train in X_train]
