2. 分類和回歸：有監督學習
3. 聚類：無監督學習
4. 降維：無監督學習
5. 整合學習
6. 階段性總結
7. **
機器學習介紹
機器學習介紹（高階）
我們根據模型訓練方式的不同，可以將機器學習的模型分為有監督學習和無監督學習兩大類。而根據學習目標的不同，有監督的學習可以分為分類和回歸兩類方法。
機器學習演算法/模型——線性回歸
機器學習演算法/模型——邏輯回歸
機器學習演算法/模型——支援向量機
機器學習演算法/模型——決策樹
機器學習演算法/模型——樸素貝葉斯分類
聚類距離的度量包括四個方法：
基於partition、基於hieratical、基於density和基於model，
但主最主要的是partition baesed和model based（另外兩者都很慢），這兩者典型例子分別是k-means和gmm。
機器學習演算法/模型——有監督到無監督（聚類）：由 knn 到 k-menas
高斯混合模型是基於高維高斯密度函式的一種聚類方法。假設一共有 個點要聚類,服從某種分布。我們要找到一組引數使得生成這些資料點的概率最大。
體會了機器學習的基本回歸，分類，聚類到底是怎麼回事後，該到了分析餵給這些演算法的資料了，我們在之前介紹這些演算法時，往往用到的資料都是已經預處理過的，比如做了歸一化處理，做了降維處理等等。資料預處理做的好與壞，對我們最終問題的求解也是至關重要的，因此也是機器學習學習中的重要乙個環節。
機器學習領域裡講的降維是指：採用某種對映方法，將原本高維空間中的資料樣本對映到低維空間中。
降維的本質是學習乙個對映函式 y=f(x)，其中 x 表示原始的高維資料，y 表示對映後的低維資料。
機器學習演算法/模型——有監督到無監督（降維）主成分分析（pca）
機器學習之整合學習
學習階段總結：
機器學習模型/演算法—— 階段性總結（1）模型框架
機器學習模型/演算法—— 階段性總結（2）關鍵概念/技術
機器學習演算法/模型—— 階段性總結（3）面試考點
機器學習演算法/模型——階段性總結（4）更高層次
更深層次的理解：
假設：假設函式
模型泛化：偏差、方差、雜訊
」距離「、」範數「和範數正則化
線性模型小結：還分不清線性回歸和線性分類模型？
生成式模型還是判別式模型？
引數學習：lr 與 svm的區別？
線性可分：線性（二分類）模型
分類損失函式(margin 損失函式)——以二分類為例
目標函式：經驗損失（損失函式）和結構化損失（正則項）都做了些什麼？
新知識點記錄：
2020 機器學習知識點記錄
機器學習**實踐——資料——如何快速獲取所需的實驗資料
機器學習——sklearn學習筆記——總章
機器學習總章
k means 演算法 酷 殼 clustering.ppt 演算法雜貨鋪 k均值聚類 k means t2噬菌體 clustering introduction 學習向量量化神經網路 zhangpy的專欄 部落格頻道 csdn.net lvq學習向量量化神經網路 lee shuai的部落格 部落格...
easyui學習總章
檔案說明 demo 是easyui的使用示例，網頁端示例，正式專案中不需要引用此資料夾內容。demo mobile 是easyui的使用示例，移動端網頁示例，正式專案中不需要引用此資料夾內容。locale 是國際化支援，裡面都是各種語言的支援包，只須保留你想用的語言相對應的檔案，國內一般只保留eas...
機器學習演算法 線性模型
本markdown編輯器使用stackedit修改而來，用它寫部落格，將會帶來全新的體驗哦 markdown 是一種輕量級標記語言，它允許人們使用易讀易寫的純文字格式編寫文件，然後轉換成格式豐富的html頁面。維基百科 使用簡單的符號標識不同的標題，將某些文字標記為粗體或者斜體，建立乙個鏈結等，詳細...