机器学习大致可以分三类：
有监督学习：指每个样本都有对应的期望值，通过模型搭建，完成从输入的特征向量到目标值的映射，典型的例子是回归和分类问题，例如：逻辑回归、随机森林、决策树。
无监督学习：指在所有的样本中没有任何目标值，期望从数据本身发现一些潜在的规律，例如一些简单的聚类K-means、DBSCAN等。
增强学习：相对来说比较复杂，是指一个系统和外界环境不断交互，获得外界反馈，然后决定自身的行为，达到长期目标的最优化。其中典型的案例就是Alpha Go围棋，或者无人驾驶。
阿里云机器学习平台是构建在阿里云是构建在阿里云Maxcompute计算平台之上，集数据处理，建模，离线预测，在线预测为一体的机器学习平台。阿里云机器学习封装了阿里巴巴集团内成熟的算法，向机器学习用户提供了更简易的操作体验。
该智能平台主要分为三层：
第一层：web UI界层；
第二层：机器学习算法层；
第三层：Maxcompute平台层。
Web UI界面主要由下区域组成：
主要功能区：展示了个各组件名称
画布区：使用者可以用鼠标相应的组件拖拉到画布上，形成一个有向的工作流，完成从数据到数据处理，再到建模等一系列的数据挖掘工作。
属性区：该区域可以设置组建内参数的信息。
阿里云机器学习的基础架构：
基础设施层：CPU计算集群
计算框架层：包括MaxReduce，SQL，MPI等计算方式，分布式计算框架主要执行并行化计算分发任务。
机器学习PAI的优点：1.算法丰富 2.深度学习（GPU） 3.可视化操作界面
4.一站式服务
同时，PAI的深度学习支持算法框架：1.Tensorflow 2.Caffe 3.MXNet
在机器学习平台上完成以下基本任务：
开通机器学习服务
数据准备
数据预处理
数据可视化
算法建模
模型评估
其中数据准备阶段，机器学习平台底层支持两种数据源，一种是MaxCompute存储数据，另一种是OSS存储数据。
注意：使用MaxCompute作为存储，建议当数据小于20MB时使用机器学习IDE环境上传，当数据大于20MB时使用命令行工具上传。
开通机器学习PAI，并且创建项目，开通时注意自己选择的地域。
2.数据准备，进入机器学习平台，单击数据源，创建表。
IDE端上传数据到Maxcompute
OSS上传数据创建新空白数据
3.数据准备完成后，单击组件，在工具和数据预处理文件夹下将SQL脚本、类型转换、归一化组件拖到画布中，并拼接成如下实验。
4. 数据可视化
5.在机器学习->二分类文件夹下，将逻辑回归二分类组件拖入画布。
在右侧的字段设置页签，将目标列设置为ifhealth，训练特征列选择除目标列以外的全部列，并拼接运行，如下图所示。
6.模型评估
在机器学习->评估文件夹下，将二分类评估组件拖入画布。在画布右侧的字段设置页签，将原始标签列列名设置为ifhealth，并连接对应的组件流和数据流。
单击运行。完成后右键单击二分类评估组件，选择查看评估报告，单击图表页签，得到不同参数下训练的LR模型的ROC曲线，如下图所示。
喜欢记得来一个
“哪吒头”—玩转小潮流
