的内部的数据彼此之间比较相似，而类之间的数据差异比较大，常用的算法有K 均值和分层聚类方法。 第五是序列模式挖掘，就是按照时间发生的顺序对一系列的事件进行挖掘， 例如，我们想分析某个网页或者是某个视频被浏览和观看的模型，常用的算法有 马尔可夫模型和隐马尔可夫模型。 第六是降维，当问题特别复杂时，我们是难以对其进行处理的，所以我们希 望通过降维来降低问题的复杂性，从而解决问题，主要使用的方法有主成分分析。 第七是可视化，就像我们前面课中所提到的，数据可视化之后，可以方便人 们对数据的理解，更容易产生对数据的洞察。 第八是概括，也就是对数据集产生概括性的描述。之前我们提到的在 DataFrame上调用describe方法就可以得到所有数值型列的统计数据，包括最 大值、最小值、平均值、中位值等等。 第九是偏差检测，也就要找到一系列数据集中的数据变点，例如，在拟合一 条符合正关联或负关联的直线时，我们总会发现有一些点会远离这条直线，这些 点就属于变点。 最后是链接或者是图分析。如果把节点之间的链接关系画出来也是一张图， 所以它们本质是一样的，就是通过对图的分析来发现一些数据之间的关联关系。 机器学习领域非常广泛，本节课将挑选其中几种加以描述，并通过notebook 让大家掌握在Python框架下如何使用它们。 二、预测 下面让我们来看看预测方法。我们举一个例子，假设我们想根据一辆汽车的 各项技术指标来预测它的二氧化碳的排放量，那么我们该怎么做呢？的内部的数据彼此之间比较相似，而类之间的数据差异比较大，常用的算法有 K 均值和分层聚类方法。 第五是序列模式挖掘，就是按照时间发生的顺序对一系列的事件进行挖掘， 例如，我们想分析某个网页或者是某个视频被浏览和观看的模型，常用的算法有 马尔可夫模型和隐马尔可夫模型。 第六是降维，当问题特别复杂时，我们是难以对其进行处理的，所以我们希 望通过降维来降低问题的复杂性，从而解决问题，主要使用的方法有主成分分析。 第七是可视化，就像我们前面课中所提到的，数据可视化之后，可以方便人 们对数据的理解，更容易产生对数据的洞察。 第八是概括，也就是对数据集产生概括性的描述。之前我们提到的在 D濴瀇濴F瀅濴瀀濸 上调用 濷濸瀆濶瀅濼濵濸 方法就可以得到所有数值型列的统计数据，包括最 大值、最小值、平均值、中位值等等。 第九是偏差检测，也就要找到一系列数据集中的数据变点，例如，在拟合一 条符合正关联或负关联的直线时，我们总会发现有一些点会远离这条直线，这些 点就属于变点。 最后是链接或者是图分析。如果把节点之间的链接关系画出来也是一张图， 所以它们本质是一样的，就是通过对图的分析来发现一些数据之间的关联关系。 机器学习领域非常广泛，本节课将挑选其中几种加以描述，并通过 瀁瀂瀇濸濵瀂瀂濾 让大家掌握在 P瀌瀇濻瀂瀁 框架下如何使用它们。 二、预测 下面让我们来看看预测方法。我们举一个例子，假设我们想根据一辆汽车的 各项技术指标来预测它的二氧化碳的排放量，那么我们该怎么做呢？