1.機器學習的基本概念：
三種主要的學習方式：
監督學習：使用有類標的訓練資料構建模型，即在訓練過程中，所有的資料都是知道它的類別的。通過構建的這個模型對未來的資料進行**。在監督學習的下面，又可以分為分類（利用分類對類標進行**），以及回歸（使用回歸**連續輸出值）。
無監督學習：在沒有已知輸出變數（分類問題中是資料的類標）和反饋函式指導的情況下提取有效資訊來探索資料的整體結構。子領域：1.通過聚類發現資料的子群；2,資料壓縮中的降維。
強化學習：構建乙個系統，在與環境互動的過程中提高系統的效能。我們可以將強化學習視為與監督學習相關的乙個領域。但是強化學習與監督學習不同的是，在強化學習中，並沒有乙個確定的類標或乙個連續型別的值，而是乙個通過反饋函式產生的乙個反饋值。該反饋值是對當前的系統行為的乙個評價。強化學習解決的主要是互動式問題。象棋對弈就是乙個常用的強化學習的例子。
機器學習的工作流程（使用**模型進行資料分析）：
如圖，機器學習的學習分為兩個部分，第一部分是訓練階段，通過資料帶入模型中，訓練生成最終模型，第二部分是測試階段，通過新的資料經驗模型的泛化能力。
2.感知器
2.1感知器原理
感知器由費蘭克·羅森布拉特（frank rossenblatt）基於mpc神經元模型提出。感知器可以看作乙個處理二分類問題的演算法。
感知器的訓練過程如下圖：
第一步：得到淨輸入函式z;z為矩陣x與權值矩陣w的乘積，再加上乙個權值偏差得到z：
第二步：通過激勵函式得到輸出的類標：
第三步，在訓練階段，通過激勵函式獲得到模型輸出的類標y，在將類標與實際類標進行計算得到誤差，進行權值更新。進行權值更新是以下的方法更新
其中η為學習速率，y(i)為第i個樣本
資料的真實類標，y(i)』為第i個樣本
**得出的目標，xj（i）
為第i個樣本中第j個值。
2.2實現演算法
定義乙個perception 類，
實現演算法：1.初始化權值，
2.計算輸出值，
3.訓練模型：計算誤差，進行權值更新。
public class perception/*** 給權值進行賦值，初始值為0
* @param n 權值陣列的大小
*/public void randomweigth(int n) }
機器學習 感知器
x x1,x 2,x3 xd y i 1d wixi bi 這裡求和出的結果就是用這些特徵計算出來的總分，如果我們假定y threshold時，最終結果為1。否則y h x s ign i 1d w ixi th resh old 這個公式稱為perceptron hypothesis。1 可以對上...
機器學習 簡單感知器
簡單感知器由乙個線性組合器和硬限幅器 即sgn函式，判斷是正數返回1，負數返回 1 組成，線性組合器有m個輸入，m個輸入權值，乙個偏置，影象表述如下 用數學方法表述就是y wixi b,i 1,2,3 m，如果sgn y 1，則分為第一類，否則分為第二類。感知器一般只做出兩類判別。上述表示式可以簡寫...
機器學習之多層感知器
keras是乙個用python編寫的用於神經網路開發的應用介面，呼叫介面可以實現神經網路 卷積神經網路 迴圈神經網路等常用深度學習演算法的開發 特點 tensorflow是乙個採用資料流圖，用於數值計算的開源軟體庫，可自動計算模型相關的微分導數 非常適合用於神經網路模型的求解。keras可看作為te...