二元分類問題（binary classification最核心）
回歸問題（最核心）
多元分類問題（multiclass classification）
結構學習問題（structured learning problem，巨大的多元分類問題，structure=hyperclass，沒有明確的類別定義。例如：通過蛋白質資料**蛋白質扭曲方式；依據演講資料構建演講解析樹......)
監督學習
無監督學習(用途：聚類、密度評估、異常檢測......）
半監督學習
強化學習（reinforcement learning，標籤用一種隱晦的資訊方式（例如，好或不好）給機器反饋。是一種很特別但又自然的學習方式。例如：廣告推送使用者點選還是不點選對機器都是一種反饋）
批學習（batch learning，一次性餵入資料，訓練模型，模型出來以後就定型了)
線上學習（online learning，假設隨著樣本的加入而逐步修正，例如：pla，reinforcement learning）
主動學習(active learning，通常用在取得標籤很貴的情況，當機器碰到不能識別的類時，可以問人這是什麼)
具體特徵（concrete features，特徵中通常包含人類智慧型（對這個資料的描述），特徵是人類選好之後餵給機器的）
原始特徵（raw features，通常需要人類智慧型或者機器自己把raw feature轉化為具體特徵，前者相當於特徵工程，後者相當於深度學習。例如，只給機器一張jpg格式的手寫字母，要求識別這是什麼字）
抽象特徵（abstract features，給你抽象的元祖（userid,itemid,rating）集,要求**某個userid會給出怎樣的itemid的排名。應用：**推送中常常用到。抽象，通常需要特徵轉換/提取/構建）
AI lab1 BP演算法理論學習
寫在前面 首先宣告，python和ai的純小白，不曾想開學第一周老師就趕鴨子上架，扔給我們一堆bp演算法 啥都沒學一上來寫個 anyway，硬著頭皮上了，不就是硬啃嗎，企圖找到屬於我的巨人的肩膀。下面這篇文章將記錄我學習以及弄懂的過程，僅供個人捋思路和再次溫習。巨人的肩膀 一 我尋思著既然要自己把演...
邏輯回歸演算法 理論學習Tesk01
邏輯回歸演算法 理論學習 1天 打卡 邏輯回歸 分類模型。模型簡單且模型的可解釋性強 1 優劣勢 優點 實現簡單，易於理解和實現 計算代價不高，速度很快，儲存資源低 缺點 容易欠擬合，分類精度可能不高 2 應用 機器學習，分類演算法 3 應用資料集進行邏輯回歸分類步驟 1 匯入庫函式 2 讀取資料 ...
PMI理論學習
pmi九大知識領域 整合管理 工作範圍管理 時間管理 費用管理 質量管理 人力資源管理 溝通管理 風險管理和採購管理 和五個專案管理過程 啟動 計畫 執行 控制 收尾 九大知識領域包括 1 專案範圍管理 是為了實現專案的目標，對專案的工作內容進行控制的管理過程。它包括範圍的界定，範圍的規劃，範圍的調...