ml-landing项目旨在讨论机器学习项目如何工程落地，因此，本项目不会涉及算法的原理，算法的具体实现过程等偏理论的一些内容，主要的内容将放在如何预处理我们的数据，如何将一个机器学习项目工程化和落地，帮助大家在实际项目中如何使机器学习被应用。
ml-landing将会分成四个部分
- 数据来源
对于机器学习来说，数据是至关重要的，没有数据，机器学习也无从谈起，因此，第一步我们将讨论如何从数据源中获取数据。
- 数据预处理
机器学习中，有一句常被提起的话：garbage in, garbage out，在机器学习中，意思是如果数据清理的不干净，数据质量低下，那么再好的算法，输出的模型也是无用的。因此，数据预处理在整个机器学习过程中，起到了非常大的作用，没有一个好的预处理，往往产出的模型也是无用的。因此，我们将在章节讨论一些常用的数据预处理方法。
- 模型
本章我们将会讨论如何建立一个模型。首先我们会按前两章所述，简要的讲解一下数据读入和预处理。然后我们将讨论建模的过程，如超参数的选择，模型评估指标等，我们将着重讲述一些实践中的经验，不会深入讲解模型的算法等。
- 部署
建模完成，如何将模型应用于实际的业务场景是本章所有讨论的内容。
每章最后都有一个Landing的小节，在这一小节中，我们将会从实战角度出发，所有的代码可以在code文件夹下查看。
本项目主要涉及到的库有
pandas：用于数据读写，清洗等scikit-learn：用于数据特征变换、训练模型和对模型的评估等flask：用于部署机器学习，搭建API服务