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：比如有一堆資料，這些資料並沒有分成特定的類，現在你想對這堆資料進行分類，並且找出他們聚集的原因，這就是聚類。
3.梯度
若有乙個二元函式z=f(x, y)，當它由點a移動到點b時（設移動的距離為l），此時函式值z有乙個增量m。當l趨於無限小時，若m/l有乙個極限值，那麼這個極限值就叫做函式在方向ab上的方向導數。
經過點a函式可以朝任意方向移動（當然移動的範圍必須在定義域內），函式就有任意多個方向導數，但其中有乙個方向上方向導數肯定最大，這個方向就用梯度（grad=ai+bj）這個向量來表示，其中a是函式在x方向上的偏導數，b是函式在y方向上的偏導數，梯度的模就是這個最大方向導數的值。
4.利用梯度下降法求最小值
5.偏導數的求法
6.方向導數求法
7.大資料競賽
8.互資訊
反映了兩個事件發生的關聯性
9.資訊熵
資訊熵是消除不確定性所需資訊量的度量，也即未知事件可能含有的資訊量。
乙個事件或乙個系統，準確的說是乙個隨機變數，它有著一定的不確定性。例如，「除東道主俄羅斯外，哪31個國家能進軍2023年俄羅斯世界盃決賽圈」，這個隨機變數的不確定性很高，要消除這個不確定性，就需要引入很多的資訊，這些很多資訊的度量就用「資訊熵」表達。需要引入消除不確定性的資訊量越多，則資訊熵越高，反之則越低。例如「中國男足進軍2023年俄羅斯世界盃決賽圈」，這個因為確定性很高，幾乎不需要引入資訊，因此資訊熵很低
機器學習入門
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...
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...