2019/01/28
我覺得我之前的時候，都對機器學習的認知上有一些誤解。一直以來，大家都說，甚至各種**他們利用機器學習的任務，無外乎回歸、分類、聚類等這些任務。機器學習最開始提出來的時候[1950+]，並不是為了這樣的任務。提出這個觀點是的ibm的員工，他試圖讓機器自己從經驗中學會下棋。
機器學習各種素材的內容都太多了，特別是那本《概率視角的機器學習》，他們在講的時候，又是從數學的角度來理解。如果是從人比較容易理解的話語角度，我覺得應該是讓機器具有泛化能力，這些話有些書上也已經說的很明白了。不過，看書的時候很容易陷進去。最近我是看機器學習與遊戲的時候想到的這些內容，轉而想想到以前的那些分類問題。
舉乙個比較實在的例子，你碰到乙個特徵空間的例項的時候，這個演算法應該思考的是什麼，決策樹是思考的就是類似規則的形式；支援向量機思考的就是分類邊界。但是如果講這些情況模擬到遊戲中呢，以往的時候，最初玩遊戲是利用狀態空間進行建模，然後搜尋演算法發揮作用；後來採用了機器學習的概念應用。將機器學習用於遊戲中呢，如果單單利用分類這種來模擬，可能比較受限，更準確的說，強化學習應該更適用。但假設我們來思考這個問題，那就是說，我們將每個狀態空間作為特徵輸入，然後得到動作來進行輸出，這個過程還是跟分類很類似的。
逐漸往深入研究，你也可以想到過擬合的時候是一種什麼情況。
但如果需要思考具體的內容，比如特徵選擇的過程， 就好像有點不簡單了，這部分還需要經驗。
（我怎麼感覺這些內容我都寫過呢。）
關於機器學習的問題
svm只考慮分類面附近的點，即支援向量，所以對離群點不敏感 lr考慮所有樣本點，所以對離群點敏感。梯度提公升決策樹gbdt是一種基於整合思想的決策樹模型，即每顆樹學的是之前所有樹結論之和的殘差，這個殘差就是乙個加 值後能得真實值的累加量，將每次 出的結果與目標值的殘差作為下一次學習的目標。1 直方圖...
機器學習入門之認知
機器學習主要源於2個領域 人工智慧和資料科學。人工智慧是創造出與人類一樣聰明的機器，在這個方向上，該領域又分為不同的學派，包括關注構建像人類一樣思考的認知系統。1.所有的智慧型體都只有很少的計算資源 很低的處理速度和很小的記憶體等等。2.所有的計算都是區域性的，但是大多數ai問題都有全域性約束。3....
機器學習 一些模型的認知
常見的機器學習演算法 1 監督學習演算法 邏輯回歸，線性回歸，決策樹，樸素貝葉斯，k近鄰，支援向量機，整合演算法adaboost等 無監督演算法 聚類，降維，關聯規則,pagerank等 2 所謂整合學習，就是指構建多個弱分類器對資料集進行 然後用某種策略將多個分類器 的結果整合起來，作為最終 結果...