1、什麼是機器學習？
個人理解：把機器學習看成是一種資料建模。本質為借助數學模型理解資料，給模型裝上可以適應觀測資料的可調引數時，學習就開始了，一旦模型開始擬合舊的觀測資料，就可以**並解釋新的觀測資料。
2、機器學習的分類
有監督學習
對資料的若干特徵與若干標籤（型別）之間的關聯性進行建模的過程，只要模型被確定就可以應用到新的未知資料上，這類學習過程可進一步分為分類（classification）任務與回歸（regression）任務。
在分類任務中標籤是離散值
在回歸任務中標籤是連續值
無監督學習
指對不帶任何標籤的資料特徵進行建模，通常被看成是一種「讓資料自己介紹自己的過程」。這類學習過程包括聚類（clustering）任務和降維（dimensionality reduction）任務。
聚類可以將資料分成不同的組別
降維可以用更簡潔的方式表現資料
3、機器學習的流程
(1)資料收集與預處理
(2)特徵選擇與模型構建
(3)評估與**
機器學習演算法的一般步驟：
(1)對於乙個問題，用資料模型來描述，huz例如回歸模型或者分類模型
(2)通過最大似然、最大後驗概率或者最小化分類誤差構建模型代價函式
(3)求解代價函式，找到最優解，存在以下情況：
代價函式存在解析解，例如對代價函式求導，找到倒數為0的點則可以直接找到最優的引數
代價函式難以找到最優解，可通過梯度下降等演算法不斷迭代以實現代價函式收斂從而找到最優解
4、模型驗證
模型驗證就是選擇模型和超引數後，通過對訓練資料進行學習，對比模型對已知資料的**值和實際值之間的差異。
什麼時候使用交叉驗證？
機器學習理解
關於機器學習最簡單的定義來自於berkeley所表述的 機器學習是ai的乙個分支，它探索了讓計算機根據經驗提高效率的方法。為了更深刻的理解這一定義，接下來我們將對其進行拆分分析。ai的分支 人工智慧是一種能夠使得計算機及其系統能夠成功完成通常需要人類智慧型行為才能完成的任務的研究和開發。機器學習是訓...
機器學習重要理解
1.模型本質是乙個函式,輸入 f 輸入 輸出 1.1f x 是乙個複雜的函式,由簡單的函式組成,神經網路中,f由多層神經層組成,每層神經層由神經元組成,神經元是具體的函式h x h稱為啟用函式,一般型別有 sigmoid函式,tanh函式,relu函式,softmax函式等,x是線性矩陣函式w x ...
機器學習總結
1.常用的機器學習演算法包括 監督學習 半監督學習 無監督學習 增強學習 遺傳演算法 監督學習 就是人為的設定規則，告訴機械人該執行怎麼樣的行動。無監督學習就是不告訴機械人具體的實施辦法，只給定規則，讓機械人過程當中自己學習總結經驗 半監督學習就是結合少標籤的樣本和大量無標籤的樣本進行學習和分類 強...