機器學習有大塊的知識，也有零碎的知識，我們在學習機器學習的時候不能忽視這些零碎的知識。如果對這些知識忽視，那麼就容易讓自己的知識架構殘缺不全。如果對這些知識的了解充分，我們就能夠更好地理解機器學習。下面我們就為大家介紹機器學習中的基礎知識。
（1）廣義線性模型就是最小二乘回歸模型的推廣/泛化，基於高斯雜訊，相對於其它型別的模型，這種模型基於其它型別的雜訊，比如泊松雜訊，或類別雜訊等等。廣義線性模型的例子包括很多，比如logistic回歸、多分類回歸、最小二乘回歸。而廣義線性模型的引數可以通過凸優化得到，它的性質有很多，第一就是最理想的最小二乘回歸模型的平均**結果等於訓練資料的平均標籤。第二就是最理想的 logistic 回歸模型的平均概率的**結果等於訓練資料的平均標籤。第三就是廣義線性模型的能力侷限於其特徵的性質。和深度模型不同，乙個廣義線性模型無法學習新的特徵。
（2）啟發式就是乙個問題的實際的和非最優的解，但能從學習經驗中獲得足夠多的進步。
（3）梯度就是所有變數的偏導數的向量。在機器學習中，梯度是模型函式的偏導數向量。梯度指向最陡峭的上公升路線。
（4）梯度截斷就是在應用梯度之前先修飾數值，梯度截斷有助於確保數值穩定性，防止梯度**出現。
（5）梯度下降是通過計算模型的相關參量和損失函式的梯度最小化損失函式，值取決於訓練資料。梯度下降迭代地調整參量，逐漸靠近權重和偏置的最佳組合，從而最小化損失函式。
（6）圖在 tensorflow 中的一種計算過程展示。圖中的節點表示操作。節點的連線是有指向性的，表示傳遞乙個操作的結果給另乙個操作。使用 tensorboard 能視覺化計算圖。
（7）泛化是指模型利用新的沒見過的資料而不是用於訓練的資料作出正確的**的能力。
（8）摺頁損失函式就是損失函式的乙個型別，用於分類模型以尋找距離每個樣本的距離最大的決策邊界，即最大化樣本和邊界之間的邊緣。
關於機器學習需要了解的知識
當我們要學習人工智慧的時候，我們需要學習很多的知識，比如機器學習 深度學習等。一般來說，機器學習是人工智慧的核心知識，要想學好人工智慧就必須重視機器學習的知識。在這篇文章中我們給大家介紹一下關於機器學習需要了解的知識。當然，說到機器學習就必須要說一下機器學習演算法，在機器學習演算法中，尤其是神經網路...
臨床醫生需要了解的機器學習
alexander scarlat博士在他的系列文章 臨床醫生機器學習入門 中解釋了機器學習的核心內容。這些文章中的前七篇介紹了機器學習的各個方面，然後是度量機器學習模型效能的示例。這一系列文章使用動畫圖表代替數學，幫助讀者更好地理解機器學習概念。這一系列文章首先提出了傳統基於規則的演算法的不足，同...
關於機器學習需要了解的知識
當我們要學習人工智慧的時候，我們需要學習很多的知識，比如機器學習 深度學習等。一般來說，機器學習是人工智慧的核心知識，要想學好人工智慧就必須重視機器學習的知識。在這篇文章中我們給大家介紹一下關於機器學習需要了解的知識。當然，說到機器學習就必須要說一下機器學習演算法，在機器學習演算法中，尤其是神經網路...