注：我將重點根據《machine learning： an algorithmic perspective》一書，對ml方向的一些方法做一些討論並說說我個人的心得。鄙人初入此方向，希望和大家**，求拍磚。
之前寫了一點資料探勘的某些內容的方法，也說到資料探勘是個寬領域，說她寬，是覺得現在這個大資料時代，特別是電腦到處有，資料獲取形式十分多樣化，資料生產非常廉價，因此就成全了很多小的資料分析型別的公司打破大公司的壟斷，茁壯成長，也就是為什麼說資料分析師是未來的乙個非常**的職業了，因為不愁沒地方要，這樣的人才非常具有吸引力。
資料探勘主要**如何使機器具備分析大規模資料的能力，進而得到我們想要得到的知識，這些知識有很多方面，比如對資料進行分類。但是這就有人疑問了，分類在機器學習裡也有啊，怎麼這裡重疊了呢？其實不然，dm主要關注對於資料的處理和處理結果，比如我們dm要對大規模資料進行處理，確保可以進行我們預期的分類訓練，最後得到的分類結果也是dm關注的知識；但是ml更注重如何構建分類器，裡面的資料模型是什麼樣的。用最通俗的說法，機器通過資料學習知識。因此，dm、ml是相輔相成的。
早起的機器學習的思路其實是從人、動物這些得到的，類似於仿生學裡的觀點，事實證明，我們現在就是讓計算機不斷模擬人，甚至試圖超越人（當然，某些方面的確是超越了，我可能一輩子都算不完圓周率的100000位）。當我們想讓計算機也會學習的時候，我們就考慮乙個問題，人是怎麼學習的？
從生物學的觀點看，人的大腦是由許多神經元構成的，神經元有很多態別，這裡如果對於乙個簡單的神經元而言，它負責傳遞資訊（可能是電、可能是化學物質），很多其他神經元給它資訊，當這些刺激積累到乙個閥值的時候，這個神經元又將資訊發射出去。因此，乙個簡單的數學模型可以這樣表述，
x = （x1， x2, ... , xm）代表m個其他神經元的輸入，w1...,wm代表權重，這個具有生物學意義，如果xm那個神經元是關於吃飯的，x1那個是關於妹子的，如果班長是個屌絲、吃貨，那麼估計x1那個w1權重會比較高，因此，從w1來的資訊更容易突破閥值。當然，這只是個比方，不一定乙個神經元代表乙個具體事物。那麼看，這就是個最簡單的加權和的數學模型。
h = w1 * x1 + w2 * x2 +... + wm * xm;
sgn(h) = 1 if h >= 閥值
sgn(h) = 0 if h < 閥值
這是個符號函式，大家可以想象成啟用模式，夠刺激了，就啟用了，不夠刺激，再高的h也是0
但是，這個模型能說明啥呢？只能說明這些。：）不過我們的腦子肯定不是單細胞的，而是乙個神經網路。如果就目前單個神經元而言，學習能力差很多，至少我們高階機器學習要處理的線性二分類的perceptron分類器就是這樣乙個簡單問題，乙個神經元就夠了。因為乙個神經元就兩種結果，0， 1。有趣的是，這篇日誌的世界裡總是這樣的二元認知：人有班長、女人；電腦就是0,1, 神經元就是激發態和平常態。：）
但是如果變成網路就不一樣了。後面的日誌會進一步討論。
簡單的神經元模型
其函式表達如下所示 y b i xiwi y b ix iwi其中，w w 表示權值，x role presentation style position relative x x表示輸入。y y 表示輸出。線性神經元模型中，輸入xi可以被看作是 來自其他神經元的動作電位，該動作電位引起突觸的興奮。...
神經網路 II 神經元模型
人工神經網路的生物原型是大腦，人腦中的神經網路是乙個非常複雜的組織，其基本組成單位是神經元 神經細胞 的大腦中估計有1000億個神經元之多。十九世紀末二十世紀初，在解剖學家 生物學家 醫學家的共同努力下，神經元的組成結構便被研究清楚，乙個神經元主要由四部分構成 神經元怎麼發揮作用呢？其實神經元是個訊...
神經網路入門 神經元演算法
目前機器學習 深度學習在業界使用的越來越廣泛，做為乙個有著技術追求的it人，我覺得有必要學習和了解一下這塊的知識，今天就從最簡單的單層神經網路開始介紹。在介紹人工神經網路之前，首先認知下神經元。神經元不知道大家還有印象這個圖嗎？這個是出現在我們生物課本中的一幅圖。乙個神經元的組成基本就是上圖這些東西...