研究生考試結束了，考研通知書也在幾天前到手了，是時候安心下來考慮一下未來研究生的生活和學習了，看現在機器學習特別的火，所以我就先跟風學習一下機器學習吧。
由於剛開始學習，所以對一些專有名詞不是很熟悉，所以特別做了一下總結，因為剛剛入門，所以就先整理了這些。
人工智慧：
一、 認知和感知（區別看待）（目前是在感知上做的非常好，甚至超過了人類，但是在認知上還是不是特別的理想）
機器學習：
一、 監督學習，無監督學習
有監督學習（分類，回歸）
↕ 半監督學習（分類，回歸），transductive learning（分類，回歸）
↕ 半監督聚類（有標籤資料的標籤不是確定的，類似於：肯定不是***，很可能是yyy）
↕ 無監督學習（聚類）
監督學習有特徵，有標籤，通過不斷的學習具有哪些特徵的資料屬於哪一類來可以推斷出其他的資料屬於哪一類。
無監督學習有特徵，無標籤，可以將具有相同的特徵的資料歸為一類，而不必關心到底屬於哪一類。
監督學習
回歸：**的變數是連續的。（**房價）
分類：**的變數是離散的。（**腫瘤的良性和惡性）
無監督學習：
聚類 （雞尾酒會）
強化學習：（回報函式）（」bad dog」,」good dog」）
因為二維平面座標處理兩個特徵
如果是多個特徵需要高維，可以用svm對映，可以將資料對映到無限維空間中。
如果說入門那必須是要看吳教授的cs229這個課程了。
剛開始學的話盡量的把不懂的概念先搞清楚，然後又不懂的數學概念：
比如說貝葉斯公式，最小二乘法，線性回歸等要查一下它的背景以及都能用在哪一類為題上，機器學習重要的一點就是能夠合適的選擇對的模型來研究這個問題。
發現機器學習學好真的是不容易，這是乙個深度和廣度都很有挑戰性的一門課程，所以小夥伴們一起努力吧。
機器學習入門
1.常用演算法 決策樹 隨機森林演算法 邏輯回歸 svm 樸素貝葉斯 knn演算法 k means演算法 adaboost 演算法 神經網路 馬爾可夫 2.聚類和分類的區別 分類 比如有一堆資料，你已經事先對他們做好了分類。你想要的功能就是，假如來了一條測試資料，我想知道他是哪一類，這就是分類。聚類...
機器學習入門
機器學習現在有著非常多的應用，從人臉識別到自動駕駛使用的都是機器學習的技術，機器學習在當前是乙個十分熱門的話題，也是引領下乙個技術變革的方向之一。大量的人員開始關注起機器學習，從初學者再到有經驗的技術人員，投身到機器學習中。但機器學習並不像普通的程式設計一樣，機器學習的入門有一定的門檻，因為機器學習...
機器學習入門
決策樹 decision tree 是在已知各種情況發生概率的基礎上，通過構成決策樹來求取淨現值的期望值大於等於零的概率，評價專案風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種 法。我把決策樹理解為通過一次一次對各種情況的條件判斷，從而獲得正確的決斷。下圖為一張銀行貸款資料 包含了乙個人...