1基本概念
2監督學習（分類）
3監督學習（回歸）
4非監督學習
1.學習
針對經驗e和一系列的任務t和一定的表現的衡量p，
如果隨著e的積累，針對定義好的任務t可以提高表現p，就說計算機具有學習能力
2.deep learning
基於機器學習，以神經網路演算法為起源價值模型結構深度增加的發展。
3.機器學習
待學習的概念或目標函式成為目標概念（target concept），記做c。
c(x)=1，當享受運動時，c（x）=0當不享受運動時，c（x）也可叫做y
x：每乙個例項
x：樣例，所有例項的集合
學習目標：f：x->y
4.其他概念
訓練集（training set）：用來進行訓練，也就是產生模型或者演算法的資料集
測試集(testing set)：用來專門進行測試已經學習好的模型或者演算法的資料集
特徵向量（feature values）：屬性的集合，通常用乙個向量來表示
標記：例項類別的標記，即最後結果的取值，如是，否
正例
反例
5.根據結果的取值不同，可以分為：
分類（如布林型別）：目標標記為類別型資料
回歸（如數值）:目標標記為連續性數值
6.例子：研究腫瘤良性，惡性與尺寸，顏色的關係
特徵值：腫瘤尺寸，顏色
標記：良性/惡性
有監督學習：訓練集有類別標記
無監督學習：訓練集無類別標記
半監督學習：部分有，部分無
7.機器學習步驟框架
7.1.把資料分為測試集和訓練集
7.2.用訓練集和訓練集的特徵向量來訓練演算法
7.3.用學習來的演算法運用在測試集上來評估演算法（可能要調整引數），用驗證集
第一節 物件導向基本概念
高階語言分類 第一代 對數學表示式有很強的處理能力，面向過程 第二代 結構化程式設計，能有效表達演算法 第三代 抽象資料型別的語言 可能基於物件，但沒有繼承 opp 面向過程的程式資料和演算法分開，物件導向把資料和演算法組合起來成為類 類是建立物件的模板 從要解決的問題中識別出有意義的物件以及物件的...
機器學習第一節 統計
1 統計學習的物件是資料，統計學習從資料出發，提取資料的特徵，抽象資料的模型，發現資料的知識。2 統計學習關於資料的基本假設是同類資料具有一定的統計規律性，這是統計學習的前提。同類資料是指具有某種共同性質的資料。只有當資料具有統計規律時，才可以用概率統計的方法加以處理。和分析 監督學習 superv...
第一節 作業系統基本概念
互斥共享方式 同時共享方式 程式介面 其實也叫做系統呼叫，使用者通過程式來請求系統呼叫，c語言中的printf hello world 就是通過程式間接的完成了系統呼叫，向螢幕輸出了字串 這種方式使用者只能通過程式間接的進行系統呼叫，在這裡要注意與庫函式的區別4 1.作業系統與使用者通訊介面通常不包...