在上一文中，主要对Spark MLlib机器学习库使用流程进行了介绍。从搭建环境开始，然后加载数据，探索数据，直到进行模型的训练与评估，最终进行未知数据的预测，即预测婴儿生存机会本文则来介绍如何使用ML机器学习库来实战ML！同样使用上一节的数据集来演示ML的构建过程。再次尝试预测婴儿的生存几率。**

机器学习是通过算法对训练数据构建出模型并对模型进行评估，评估的性能如果达到要求就拿这个模型来测试其他的数据，如果达不到要求就要调整算法来重新建立模型，再次进行评估，如此循环往复，最终获得满意的经验来处理其他的数据的过程。简单点讲，机器学习就是通过一定的模型，让计算机可以从大量的数据中学习到相关的知识

第一章：爬虫原理和数据爬取1.1 通用爬虫和聚焦爬虫根据使用场景，网络爬虫可分为 通用爬虫 和 聚焦爬虫 两种.通用爬虫通用网络爬虫 是 捜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分。主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。通用搜索引擎（Sea

数据可视化一、数据可视化概述1、什么是数据可视化在计算机视觉领域，数据可视化是对数据的一种形象直观的解释，实现从不同维度观察数据，从而得到更有价值的信息。抽象的、复杂的、不易理解的数据图形、图像、符号、颜色、纹理等具备较高的识别效率数据本身所包含的有用信息2、为什么要进行数据可视化我们利用视觉获取的

1、正则表达式概述正则表达式，又称正规表示式、正规表示法、正规表达式、规则表达式、常规表示法（英语：Regular Expression，在代码中常简写为regex、regexp或RE），是计算机科学的一个概念。正则表达式使用单个字符串来描述、匹配一系列匹配某个句法规则的字符串。在很多文本编辑器里，

机器学习第一章数据挖掘数据挖掘概念数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息，从数据中发现有用的信息，从而帮助我们做出决策数据挖掘做什么：1预测和描述数据，预测的计算机和事件过程被称为监督学习：从标记的训练数据来推断一个功能的机器学习任务描述则被通常称为无监督学习：根据位置样本决绝模式

第一章：数据清洗常用工具1.numpy常用数据结构常用清洗工具：目前在Python中, numpy和pandas是最主流的工具Numpy中的向量化运算使得数据处理变得高效Pandas提供了大量数据清洗的高效方法在Python中，尽可能多的使用numpy和pandas中的 函数，提高数据清洗的效率nu

python程序语法：程序的格式框架：缩进严格注释：#单行注释''' 多行注释'''命名保留字：​变量：表示数据值​命名：大小写字母，数字，下划线，和汉字等字符及组合​大小写敏感，首字母不能是数字，不和保留字相同​保留字（33个，也叫关键字）数据类型：​字符串：两侧有单引号和双引号，使用[]获取字符