1. 機器學習基礎知識入門
入門知識我沒有太多可講的敌蚜，詳細原理與基礎知識可參考https://www.cnblogs.com/subconscious/p/4107357.html
1.1 機器學習概念
我認為：機器學習就是將計算機當做?小學生一樣教育恼布，教會他人類的學習方法，利用計算機強大的運算速度西剥，得到較好的運算結果或判斷望门，專業(yè)的說機器學習是通過利用數(shù)據，訓練出模型，然后使用模型預測的一種方法乓搬。它允許計算機使用現(xiàn)有的數(shù)據來預測未來的行為、結果和趨勢代虾。
1.2 機器學習應用范圍
模式識別进肯，統(tǒng)計學習，數(shù)據挖掘棉磨，計算機視覺江掩，語音識別，自然語言處理等領域?
我需要注意的是?模式識別乘瓤，統(tǒng)計學習撬碟，數(shù)據挖掘
機器學習是一種數(shù)據科學技術剪决，而數(shù)據科學只可解答以下五種問題：
1.是A還是B？ 使用分類算法
?2.是否異常？ 使用異常檢測算法
3.多少蜈敢？ 使用回歸算法
4.怎么組織谍憔？使用聚類分析算法
5.接下來該怎樣做铸董？使用強化學習算法
1.3 ?機器學習方法
?機器學習常用的不同算法:
以下算法為?比較經典的監(jiān)督學習算法：?
回歸算法?: 線性回歸如擬合出一條直線最佳匹配我所有的數(shù)據灭贷；而邏輯回歸?是在對線性回歸的計算結果轉化為了0到1之間的概率，進行分類聪建。
神經網絡(ANN):就是分解與整合工作钙畔。將復雜的事物進行分解，拆分成較為簡單的事物金麸，放在下一級處理單元擎析，進行處理分析，通過不斷地拆分與分析挥下，將復雜事物拆分為最簡單的零件進行邏輯判斷叔锐，最后將所有零件整合處理得出判斷挪鹏。在這個網絡中见秽，分成輸入層愉烙，隱藏層，和輸出層解取。輸入層負責接收信號步责，隱藏層負責對數(shù)據的分解與處理，最后的結果被整合到輸出層禀苦。
?在神經網絡中蔓肯，每個處理單元事實上就是一個邏輯回歸模型，邏輯回歸模型接收上層的輸入振乏，把模型的預測結果作為輸出傳輸?shù)较乱粋€層次蔗包。
SVM（支持向量機）?:非常重要，是邏輯回歸算法的強化慧邮。支持向量就是距離分隔超平面最近的那些點调限，尋找解決此問題的最優(yōu)求解方案就是需要最大化支持向量到分隔面的距離。
通俗上理解：SVM算法核心就是在一組數(shù)據中?畫一直線误澳，使得該直線能夠更好地將這組數(shù)據分成兩個部分耻矮，要求分成兩個部分的數(shù)據都到該直線的距離最遠。（與線性回歸類似忆谓，線性回歸是找一直線裆装，使得所有數(shù)據點距離該直線距離最近，這樣的直線能夠反應所有數(shù)據的變化規(guī)律）
?以下算法為?比較經典的非監(jiān)督學習算法：
聚類算法:聚類算法就是計算種群中的距離倡缠，根據距離的遠近將數(shù)據劃分為多個族群哨免。
聚類算法中經典的為：?K-Means算法
降維算法?: 主要特征是將數(shù)據從高維降低到低維層次，主要作用是壓縮數(shù)據與提升機器學習其他算法的效率昙沦。
降維算法中經典的為：?PCA算法琢唾，t-SNE算法?
1.4 Big data大數(shù)據
大數(shù)據的核心是利用數(shù)據的價值，機器學習是利用數(shù)據價值的關鍵技術桅滋，對于大數(shù)據而言慧耍，機器學習是不可或缺的。相反丐谋，對于機器學習而言芍碧，越多的數(shù)據會越 可能提升模型的精確性。
It's not who has the best algorithm that wins. It's who has the most data.?
1.5 機器學習子類—Deep Learning深度學習
深度學習即：傳統(tǒng)的神經網絡發(fā)展到了多隱藏層的情況?号俐，具有多個隱藏層的神經網絡被稱為深度神經網絡泌豆，基于深度神經網絡的學習研究稱之為深度學習。
優(yōu)點：1.多隱層的神經網絡具有優(yōu)異的特征學習能力吏饿，學習得到的特征對數(shù)據有更本質的刻畫踪危，從而有利于可視化或分類蔬浙；2.深度神經網絡在訓練上的難度，可以通過“逐層初始化” 來有效克服贞远。
'
