我們生在了乙個大資料的時代，迫使我們陷入了資訊之中，並在資訊之中尋求知識。機器學習所能提供的了很多方法，這些方法通過自行的在資訊之中分析並找到知識。
也就是在學習之初，我們已經對於需要學習的內容有分類，或者知道其結果，然後通過對已知樣本的結果進行學習，來對新的樣本進行**或分類，也就是建立輸入x和輸出y之間的關係。以下列出了監督性學習的幾大組成部分。
1.1.1分類
分類的時候，我們會有一些輸入一系列特徵x,通過輸入x我們需要其結果y是什麼，例如：我輸入了乙個成年人的頭髮長度x，想知道這個時候性別y是什麼？對於這個問題，我們一般會建立函式模型y=f(x)來進行**,比如我們建立函式來對問題進行分類，同時這個模型還不太完善，因為我們沒有對於x是5~15的使用者進行判斷，並且還會有一些特例來干擾我們進行判斷，比如有的男**留長髮等。這時候我們需要概率來幫助我們進行判斷,也就是判斷p(y|x)，我們可以從訓練樣本學習概率p(y|x)，而f(x)就變為。
1.1.2回歸
有的時候我們的f(x)的結果並不是男或女這樣離散值，而是連續值，比如身高，那麼我們就面臨乙個回歸問題。
非監督性學習沒有輸入，只有輸出。演算法會自動的去尋找資料中讓人感興趣的結構，所以，非監督性學習有的時候又叫做知識發現。非監督性學習更接近人和動物的學習過程。並且運用的範圍也更加廣泛。以下列出一些應用
1.2.1發現聚類
這是非監督性學習的一大應用，聚類的具體方法之後的聚類會單獨筆記。
1.2.2發現隱藏因子
在特徵是高維的時候，處理起來比較困難，此時，我們需要把特徵往較低的維度進行對映，也叫做維度規約，比如我們可以把三維結構對映到二維結構來發現資料之間的一些關係。對映之後我們會發現一些潛藏的因素。最常用的對映方法有pca，在具體章節將進行pca的推導和說明。
1.2.3發現圖結構
我的理解為比如有一些知識圖譜，我們如何來發現圖譜中各頂點之間的關係。
1.2.4協同過濾
這是在項亮所著的《推薦系統實踐》一書中所述的方法，根據歷史購買關係，來推測使用者還可能出現的購買行為。
機器學習讀書筆記
第一章 引言介紹一些常識引入什麼是機器學習，機器學習的一些術語資料，規律，泛化，假設空間歸納偏好。1,假設空間 假設空間 監督學習的目的在於學習乙個由輸入到輸出的對映，這一對映由模型來表示。換句話說，學習的目的就在於找到最好的這樣的模型。模型屬於由輸入空間到輸出空間的對映集合，這個集合就是假設空間 ...
SVN 學習筆記一（概述）
svn概述 svn是subversion的簡稱，如今她已經是apache家族的一員。作為主流的版本管理軟體，她取代了cvs，並不斷完善。如今已經是大多數軟體開發專案使用的必不可少的工具。svn到底是什麼呢?svn 是乙個時光機，我們用他可以找回過去的一些東西 當然你不可能用他來穿越 在svn中，我們...
VIO學習筆記（一） 概述
學習資料是深藍學院的 從零開始手寫vio 課程，對課程做一些記錄，方便自己以後查詢，如有錯誤還請斧正。由於習慣性心算公式，所以為了加深理解，文章公式採用手寫的形式。imu 與視覺定位方案優勢與劣勢對比 融合方案 預備數學知識 以視覺與 imu 融合實現里程計 以影象形式記錄資料,頻率較低 15 60...