在36氪上看到一篇很好的關於機器學習的文章，對機器學習與各個領域的結合講得非常清晰。
現小結一下如下。
基本定義：
機器學習方法是計算機利用已有的資料(經驗)，得出了某種模型(遲到的規律)，並利用此模型**未來(是否遲到)的一種方法。
機器學習與人類對歷史經驗的歸納，模擬圖如下：
機器學習的範疇，見下圖：
下面逐個介紹機器學習與各領域之間的關係。
模式識別=機器學習。乙個源自工業界，乙個源自計算機學科。
資料探勘=機器學習+資料庫。大部分資料探勘演算法，是機器學習演算法在資料庫中的優化。
統計學習~=機器學習。乙個偏數學 ，乙個偏實踐。
計算機視覺=機器學習+影象處理。影象處理負責給機器學習模型提供輸入，機器學習負責學習並給出視覺結果。
語音識別=語音處理+機器學習。語音識別負責給機器學習模型提供輸入，一般語音識別和自然語言處理技術結合使用。
自然語言處理=文字處理+機器學習。
機器學習的常用方法：
1、回歸演算法。分兩類：線性回歸、邏輯回歸
線性回歸：用線性函式來擬合樣本空間，從而根據下次輸入，**輸出。
擬合效果有好有壞。評價好壞的工具是代價函式。
常用代價函式為「最小二乘法」。
邏輯回歸：是乙個種分類方法。
分類線一般是線性的。
如果分類線是非線性的，邏輯回歸解決不了。這就引申出能擬合出非線性分類線的神經網路和svm。
區別與聯絡：
1.1 線性回歸最終得到的是乙個數值。邏輯回歸得到是乙個標稱值分類。
1.2 邏輯回歸是線性回歸加上sigmoid函式
2、神經網路。深度學習是基於深度神經網路的機器學習演算法。
學習機理：分解與結合。
把乙個整體分解成區域性，在神經網路節點上用邏輯回歸模型進行**。
然後，多層這樣的神經網路共同結合，形成神經網路的深度學習能力。
3、svm。通過跟高斯「核函式」結合，表達出非常複雜的分類線。
最典型的核函式，將低維的空間對映到高維空間。
且，對映到高維空間後，計算量不會加大。
4、聚類演算法：主要是k-means.
如果不知道該用幾個標籤來表示樣本集合，怎麼辦？
UML Use Case之間的各種關係
uml是軟體開發和系統建模的標準工具。該統一建模語言用於軟體系統的視覺化 說明 構建和建立文件等方面。這裡可以看到uml的一些介紹 本篇主要講解uml用例圖之間的關係,用例主要有以下三種關係。包含 包含關係指用例可以簡單地包含其他用例具有的行為，並把它包含的用例行為作為自身行為的一部分。包含關係代表...
常見機器學習模型之間的關係
1.中文解釋 線性回歸。2.模型思想 對於能夠以f xi wxi b表達的線性模型，線性回歸就是試圖學得恰當得向量w和標量b，使得f xi yi，其中yi是真實輸出。那只需要設計乙個衡量f xi 與yi的差異函式e xi，yi，w，b 機器學習中稱為代價函式或損失函式，然後使該對函式求得最小值，對應...
學習筆記 類與類之間的關係
謝謝樓主分享 一 繼承關係 二 實現關係 三 依賴關係要借用一條船，此時人與船之間的關係就是依賴。表現在 層面，為類b作為引數被類a在某個method方法中使用。在uml類圖設計中，依賴關係用由類 四 關聯關係的，而且雙方的關係一般是平等的。關聯可以是單向 雙向的。表現在 層面，為被關聯類b以類的屬...