機器學習的演算法分為兩大類：監督學習和無監督學習。
監督學習
即在機器學習的過程中提供對錯指示。一般是在資料組中包含最終結果（0,1），通過演算法讓機器減少誤差。這一類學習主要應用於分類與**（regression & classify)。監督學習從給定的訓練資料集中學習出乙個目標函式，當新的資料到來時，可以根據這個函式**結果。監督學習的訓練集要求包括輸入和輸出，也可以說包括特徵和目標，訓練集中的目標是由人標註的。常見的監督學習演算法包括回歸分析和統計分類。
非監督學習又稱歸納性學習（clustering），利用k方式（k mean）建立中心（centriole），通過迴圈和遞減運算（iteration & descent）來減少誤差，達到分類的目的。
利用機器學習的**模型來解決問題共有六個基本步驟：
定義問題：研究和提煉問題的特徵，以幫助我們更好的理解專案的目標
資料理解：通過描述性統計和視覺化來分析現有的資料
資料準備：對資料進行格式化，以便於構建乙個**模型
評估演算法：通過一定的方法分離一部分資料，用來評估演算法模型，並選取一部分代表資料進行分析，以改善模型
優化模型：通過調參和整合演算法提公升**結果的準確度
結果部署：完成模型，並執行模型來**結果展示
Machine Learning 梯度下降
對於lost function利用梯度下降的方法實現引數調整，梯度下降在每一次迭代的過程中需要全部樣本參與，而隨機梯度法或增量梯度法在迭代中利用樣本中的乙個樣本更新引數。梯度下降達到全域性最優 include include using namespace std define maxiter 22...
安裝Machine Learning環境
公升級python版本到3.5以上。詳情參考linux公升級python版本 步驟1中也包含了安裝pip 第一批ml環境 pip install tensorflow pip install keras pip install beautifulsoup4 pip install lxml pip ...
機器學習（Machine Learning）
最近開始接觸機器學習，簡稱ml。ml 可以這樣理解，從一堆資料中提煉出特徵值。首先，我們需要在計算機中儲存歷史的資料。接著，我們將這些 資料通過機器學習演算法進行處理，這個過程在機器學習中叫做 訓練 處理的結果可以被我們用來對新的資料進行 這個結果一般稱之為 模型 對新資料 的 過程在機器學習中叫做...