现在，你已经知道了很多关于机器学习的知识。然而，学过了这么多概念，你可能会感到有些迷失，所以让我们退回去，回顾一下重要的：

• 机器学习是让机器通过学习数据对某些任务做得更好，而不使用确定的代码规则。

• 有许多不同类型的机器学习系统：监督或非监督，批量或线上，基于实例或基于模型，等等。

• 在一个ML项目中，您在训练集中收集数据，并将训练集提供给学习算法。如果该算法是基于模型的，它会调整一些参数，让模型拟合到训练集(例如:对训练集本身作出好的预测），然后希望它对新样本也能有好预测。如果该算法是基于实例的，那么它就会凭借记忆学习这些样本，然后用相似性度量泛化到新实例。

• 如果您的训练集太小，或者数据不具有代表性、含有噪声或被不相关的特性(垃圾、垃圾)污染，系统将无法正常运行。最后，您的模型需要既不太简单(在这种情况下，它将会发生欠拟合)，也不太复杂(在这种情况下，它将会过拟合)。

还差最后一个主题要学习：一旦你训练了一个模型，你就不会仅仅希望它能泛化到新的案例。你想要对它进行评估，并在必要时对其进行优化。让我们来看看。