上大學的時候人工智慧火了一段時間（雖然現在還是虛假的繁榮現象），但是不得不說人工只能肯定是未來的發展方向，所以我們就有必要了解其基本的理論原理，當然了我寫出來的東西肯定不會和數學特別相關，因為我概率論差啊，那段時間沉迷遊戲，然後60多分飄過，所以各位肯定是比我牛逼的。我參考的書籍是《機器學習及實踐》範淼 李超編著
基礎理論:
1.logistic函式，其實就是類似於電流脈衝，只不過中間的跳變是過度的(正半軸影象類似於根號函式，0附近斜率大)，上下界是+1和-1，然後就有了當x=0的時候，y=0.5，在x左邊，y很快遠小於0.5，右邊y就很快大於0.5於是就把y分成了兩類
2.支援向量機,比如在平面座標軸的第一象限裡有兩部分聚集的點，這些點可以使用一條直線y = kx +b來將這兩種點分開，那麼這種方式就叫支援向量機
3.樸素貝葉斯,概率論太差沒看懂，，，哪位給推薦比較好的概率論課啊？
4.k近鄰演算法(以點為例，紅點和藍點)，就是看這個待測樣本點，如果這個點附近的k(k使我們設定的)個點都是紅點，那麼將這個點歸類為紅點，否則歸類為藍點
5.決策樹，這個好像就是資料結構裡面的樹，深究的話還有什麼特徵點的選取順序，度量方式有資訊熵和基尼不純性，不過，入門，入門，這些應該初中生都能聽得懂.
//以上是監督學習經典模型
//以下是無監督學習經典模型
1.k均值演算法比較複雜（以一維點們為例，有幾簇點），可以分為四個階段
第一階段：隨機布設k個特徵空間內容的點作為初始的聚類中心(假設有三堆點，一堆紅點，一堆藍點，一堆黃點，那麼這裡就有了三個聚類中心，這裡的k可以多找幾個)
第二階段：從k個聚類中心中找到距離最近的乙個，並且把該點標記為從屬於這個聚類中心
第三階段：在所有的資料都被標記過聚類中心後，根據這些重新分完簇的點再進行計算
2.特徵降維：聽說過降維打擊嗎？？？比如說乙個妹子，然後我們用二向箔將她搞到二次元，然後她就可以變成你們老婆了，嗯……所以這個特徵降維就是通過乙個函式(二向箔)將乙個高緯的物體(妹子)對映到低維(你們的二次元)的一種演算法
機器學習入門（一）
分類和回歸 均為 過程，其中分類是對離散值的 回歸是對連續值的 監督學習和無監督學習 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習 聚類 監督學習就是給輸入的無標籤資料新增標籤的過程。資料集的劃分方法 1.留出法，即把資料集分為兩部分 一般來說是8 2，8...
機器學習入門 一）
年後又開始新一輪的學習了。今天我來複習跟鞏固機器學習的基礎概念。我們將機器學習系統按他們的特點分類 是否在人類監督下訓練。例如 有監督學習，無監督學習，半監督學習，強化學習。是否簡單地將新的資料點和已知的資料點進行匹配，還是像科學家一樣，對訓練資料進行模式檢測然後建立乙個 模型。例如 基於例項的學習...
機器學習（一） 機器學習入門常識
機器學習常常劃分為三個方面 分類問題 因為有了標籤值，根據演算法，將樣本歸於哪一類。邏輯回歸，決策樹，隨機森林，svm 回歸問題 是乙個連續值，根據樣本上的一些特徵，連續值結果。聚類問題 因為沒有標籤以及明顯的劃分標準，根據樣本的相似性或者關聯關係，把類似的歸於一類 常用的一些術語 對於結構化資料，...