自從今年6月份寫了一篇概述性的文章，中間停了5個月，也沒寫出一篇關於機器學習的部落格。要說理由，有很多很多。但感覺不是找理由的時候了，總之就是自己在學習上缺乏了那麼一點持久的毅力，心態變得比在讀書時候浮躁多了。工作和生活的各種雜事和壓力，有時候也有應付不過來的時候。要想靜心學習，確實是一件非常幸福的事情。也非常佩服很多能靜心研究的人們，他們能夠心無旁騖的在自己喜歡的領域自由的去探索去研究。
自己接觸機器學習這個方向也有好幾年了，開始接觸機器學習是覺得很好奇的，很新鮮，那是08年的時候了。8年過去了，到現在對機器學習雖然比以前認識了很多，但是好奇心少了很多。機器學習這幾年發展很快，光深度學習就最近吵的非常火，當然深度學習確實在很多應用上取得了讓人觸目驚心的成果。從開始的好奇到現在的熟悉，但是自己仍停留在很一般的水平，在ieee上還是發不了自己的文章，在開源專案上沒有自己的影子。雖然也看過很多牛人的文章和著名的書籍，但是看過後好像就忘了，不知道是不是過擬合造成的結果，是不是自己也過學習了，導致自己的泛化能力急劇下降，也就是自己面對實際機器學習問題，解決問題的能力下降了。看來書都多了、資料看多了，也會導致這個問題。自己深入分析這個原因，主要還是在於自己沒有深入理解文獻背後的本質問題，沒有對機器學習相關技術的**、前前後後等等進行深入的理解，很重要的一塊是參與實踐的專案太少，缺乏一定的實戰經驗。仔細想來，雖然看過不少資料，但是對很多資料和文獻都是泛泛之讀，沒有深入去理解、去思考。這是一方面，另一方面，對實際業務的背景理解的也較少，記得參與過兩個較大的資料探勘專案，真正起關鍵作用的還是對場景和背景的深刻理解，這些方面沒做好，應用資料探勘或機器學習的技術，最後得到的效果並沒有大家想象的那麼好，也就是我們過於關注演算法層面，而忽略了機器學習的另外乙個重要層面-高質量的資料來源。我想做過一些資料探勘或機器學習的朋友都知道這個道理。也許我的一點淺淺的體會，不足掛齒。
要說機器學習也好，資料探勘也罷，羅馬不是一天建成的，像我等資質普通的人而言，更需要持續的努力才行，才有可能去深入的理解乙個事物。機器學習領域現在的應用很廣，其入門的書籍和資料也非常之多，自己看過一些，如機器學習導論、機器學習與模式識別（bishop）、機器學習實戰、集體智慧型程式設計、資料探勘導論、資料探勘概念與技術、模式識別、深度學習（goodfellow）等，也看過不少ieee trans、icml、jmlr、nips、cvpr、pami等上面的文章。但是就像說的一樣，看的過程是挺好的，好像看懂了他們的思想，但是自己推導一下自己實現一下就不是那麼容易的，所以還是要自己多去程式設計實現一下去體會去理解，才能深入骨髓。這樣自己的水平才會提高。當然，這些還不夠，真正需要熟練掌握機器學習技術，還需要多參加實際的專案訓練。可以從一些較好的資料競賽開始。多參加實際專案，讓自己盡快上手。
以上也是自己多年來的一點小小體會，希望能給大家帶來一點點啟發，也就足夠了。也希望自己在這個領域真正深入理解起來，祝願自己能夠做出一點成績。
機器學習感悟2
在讀了 從機器學習談起 之後，對機器學習的認識又進了一步，之前對機器學習的認識是演算法加資料，而現在對機器學習的認識是更廣泛的，機器學習是通過演算法對資料進行分析和處理得出重要的經驗，在之後的一些應用中機器給出相對正確或合適的答案。機器學習離不開演算法，文章也介紹幾種比較常見的幾種演算法 回歸演算法...
機器學習感悟2
機器學習應用的領域範圍也是十分的寬闊而且感覺這是將改變人類生活方式的一門學科，因為它設計的領域真的是超級前沿，這乙個不小心就是改變人類命運啊！比如說，在過去的十年中，機器學習已經給我們在自動駕駛汽車，實用語音識別，有效的網路搜尋，以及提高人類基因組的認識方面帶來大量幫助。突然感覺好高大上。不過看起來...
吳恩達機器學習感悟
吳恩達機器學習，斯坦福2014筆記 由8.2 神經元和大腦想到的 神經重連實驗，比如眼睛連到聽覺皮層，則聽覺皮層學會了看 眼睛連到觸覺皮層，則觸覺皮層學會了看 舌頭上加攝像頭關聯的電極陣列，則負責舌頭感知的皮層學會了看。這寫neuron re wiring實驗，給出的結論是大腦各區使用的是同一種演算...