1. 機器學習基礎知識入門

入門知識我沒有太多可講的，詳細原理與基礎知識可參考https://www.cnblogs.com/subconscious/p/4107357.html

1.1 機器學習概念

我認為：機器學習就是將計算機當做?小學生一樣教育，教會他人類的學習方法，利用計算機強大的運算速度，得到較好的運算結果或判斷，專業(yè)的說機器學習是通過利用數據，訓練出模型，然后使用模型預測的一種方法。它允許計算機使用現(xiàn)有的數據來預測未來的行為、結果和趨勢。

1.2 機器學習應用范圍

模式識別，統(tǒng)計學習，數據挖掘，計算機視覺，語音識別，自然語言處理等領域?

我需要注意的是?模式識別，統(tǒng)計學習，數據挖掘

機器學習是一種數據科學技術，而數據科學只可解答以下五種問題：

1.是A還是B？ 使用分類算法
?2.是否異常？ 使用異常檢測算法
3.多少？ 使用回歸算法
4.怎么組織？使用聚類分析算法
5.接下來該怎樣做？使用強化學習算法

1.3 ?機器學習方法

?機器學習常用的不同算法:
以下算法為?比較經典的監(jiān)督學習算法：?

回歸算法?: 線性回歸如擬合出一條直線最佳匹配我所有的數據；而邏輯回歸?是在對線性回歸的計算結果轉化為了0到1之間的概率，進行分類。

神經網絡(ANN):就是分解與整合工作。將復雜的事物進行分解，拆分成較為簡單的事物，放在下一級處理單元，進行處理分析，通過不斷地拆分與分析，將復雜事物拆分為最簡單的零件進行邏輯判斷，最后將所有零件整合處理得出判斷。在這個網絡中，分成輸入層，隱藏層，和輸出層。輸入層負責接收信號，隱藏層負責對數據的分解與處理，最后的結果被整合到輸出層。

?在神經網絡中，每個處理單元事實上就是一個邏輯回歸模型，邏輯回歸模型接收上層的輸入，把模型的預測結果作為輸出傳輸到下一個層次。

SVM（支持向量機）?:非常重要，是邏輯回歸算法的強化。支持向量就是距離分隔超平面最近的那些點，尋找解決此問題的最優(yōu)求解方案就是需要最大化支持向量到分隔面的距離。

通俗上理解：SVM算法核心就是在一組數據中?畫一直線，使得該直線能夠更好地將這組數據分成兩個部分，要求分成兩個部分的數據都到該直線的距離最遠。（與線性回歸類似，線性回歸是找一直線，使得所有數據點距離該直線距離最近，這樣的直線能夠反應所有數據的變化規(guī)律）

?以下算法為?比較經典的非監(jiān)督學習算法：

聚類算法:聚類算法就是計算種群中的距離，根據距離的遠近將數據劃分為多個族群。
聚類算法中經典的為：?K-Means算法

降維算法?: 主要特征是將數據從高維降低到低維層次，主要作用是壓縮數據與提升機器學習其他算法的效率。
降維算法中經典的為：?PCA算法，t-SNE算法?

1.4 Big data大數據

大數據的核心是利用數據的價值，機器學習是利用數據價值的關鍵技術，對于大數據而言，機器學習是不可或缺的。相反，對于機器學習而言，越多的數據會越 可能提升模型的精確性。

It's not who has the best algorithm that wins. It's who has the most data.?

1.5 機器學習子類—Deep Learning深度學習

深度學習即：傳統(tǒng)的神經網絡發(fā)展到了多隱藏層的情況?，具有多個隱藏層的神經網絡被稱為深度神經網絡，基于深度神經網絡的學習研究稱之為深度學習。

優(yōu)點：1.多隱層的神經網絡具有優(yōu)異的特征學習能力，學習得到的特征對數據有更本質的刻畫，從而有利于可視化或分類；2.深度神經網絡在訓練上的難度，可以通過“逐層初始化” 來有效克服。

'