現在機器學習應用的乙個短板是資料取樣，就是說沒有那麼多類似的資料可以供你學習。
alphago為什麼能成功？得益於三點: 1. 大資料（有效的樣本）；2. 計算資源; 3. 演算法（摘自張鈸的演講，
圍棋的棋譜簡單易存，易於輸入機器，計算機影象識別的發展，讓棋譜的輸入更加便捷，所以人類的歷史棋譜很快就能輸入到機器，做為學習的樣本。
另外很重要的乙個原因: 圍棋的棋譜資料易於創造，即機器自己跟自己下就行了，所以借助演算法和計算資源，alphago能輕易的獲取大量的有效樣本，
在此資料基礎上進行統計分析，提煉出高概率的著法也不足為奇了。
圍棋的規則簡單，有效樣本可以機器自我對弈產生，這是圍棋被ai攻破的關鍵。
alpha zero的出現更說明了這一點。
不過讓人驚奇的是，google找到了這類可以機械類似性複製的無窮事件的解決方法。就像數學歸納法解決了無窮積分問題一樣。因為圍棋不同於其他棋類，可以暴力破解，圍棋的變化對人類來說近似無窮的。
從這點上說，這的確可以稱為ai, 具有了某種程度的智慧型。
機器學習入門 應用機器學習的建議
機器入門系列文章中，我已經根據課程，介紹了許多演算法，比如線性回歸 logistic回歸，以及神經網路，等等。而針對具體的問題，我們採取了某種演算法，實現後，發現效果不好，需要改進。有些時候需要增加資料量，有些時候則不需要 我們需要評估乙個模型的好壞，從而比較選出更優者 或者根據模型出現的問題，提出...
機器學習的應用例項
摘自范明等譯的 原著ethem alpaydin 機器學習導論 第一章，參雜部分個人見解，不對之處歡迎指點 學習機器學習，應首先知道它在實際生活中的應用具體有哪些，這樣有利於進一步的原理學習。1 學習關聯性 購物籃分析 即挖掘商品間的關聯性，購買了商品x的使用者有多大的可能性會購買商品y，其中使用者...
機器學習之 機器學習應用建議
機器學習的應用建議 好久沒有更新機器學習的學習筆記了，上一次還是更新的神經網路的部分。這一次我們來聊一聊，機器學習的應用建議。決定下一步做什麼 假設我們需要用乙個線性回歸模型 linear regression 來 房價，當我們運用訓練好了的模型來 未知資料的時候，發現有較大的誤差，我們下一步可以做...