先來看一則開場白：
看完這段話，可以發現這裡涉及了很多基於「經驗」而做出的判斷。換句話說就是：通過對經驗的利用，就能對新的情況做出有效的決策。
**筆者摘錄了兩則，大家批評接受
—>①：機器學習它致力於研究如何通過計算手段，利用「經驗」來改善系統自身的效能。計算機裡「經驗」通常以「資料」形式存在，因此機器學習所研究的主要內容，是關於計算機上從資料中產生「模型」的演算法（也叫「學習演算法」）。有了學習演算法，我們把經驗資料輸入，計算機就能基於已有資料建立模型。當面臨新情況（新資料）時，模型會給我們提供相應的判斷。簡短來說，機器學習是研究關於「學習演算法」的學問。（摘錄周志華《機器學習》）
—>②：機器學習就是通過演算法，使得機器能從大量歷史資料中學習規律，從而對新的樣本做智慧型識別或**。（摘錄吳岸城《神經網路與深度學習》）
—> 筆者小注：兩則定義選取角度不同，各從內涵外延出發進行闡述。機器學習主體研究還是各種演算法，通過演算法對新資料進行**，同時也包含資料模型的建立與分析。
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
先了解一下會用到的基本術語：
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
機器學習算是人工智慧研究的乙個分支，而人工智慧又包含在當今大資料熱潮中，所以機器學習與資料建模、資料分析有相似重疊，但在以下兩點還是相差頗大。
1、資料輸入量：資料建模、資料分析針對於可見量資料，在這些可見量資料上進行後續的分析，而機器學習的資料輸入量相當龐大。打個比方就是，機器學習的資料量是一片大海，而資料建模、資料分析的資料量就猶如一灘海浪。我們能遇見一灘又一灘的海浪成型並輕撫海岸，卻始終見不了大海的全貌。
2、研究目的：資料建模、資料分析致力於找尋合適的模型，依照模型給出最優。而機器學習重視的是，隨著各種資料的輸入，這些資料呈現的狀態各是如何，再依照資料狀態給出合理**。
機器學習 定義 分類 建模過程 資料劃分
定義 自動從已有資料中找出一些規律，把學到的這些規律應用到對未來資料的 中，或者在不確定環境下自動的做決策 分類 監督學習 線性回歸 邏輯回歸 樸素貝葉斯 神經網路 svm隨機森林 adaboost cnn 無監督學習 k means 聚類 pca 協方差矩陣降維 ica 降維 mf 矩陣分解降維 ...
學習定義與宣告
定義 與 宣告 c primer 第四版 2.3.5節中這麼說到 1 變數定義 用於為變數分配儲存空間，還可為變數指定初始值。程式中，變數有且僅有乙個定義。2 變數宣告 用於向程式表明變數的型別和名字。3 定義也是宣告 當定義變數時我們宣告了它的型別和名字。4 extern關鍵字 通過使用exter...
機器學習與資料
2001年bank和bill做了這麼乙個實驗 區分容易混淆的詞，如 to,two,too 比如 for breakfast i ate two eggs.他們用了不同的演算法 並繪製了下圖 可以看到，不同演算法得到差不多的效能。但是它們有乙個共同點 隨著資料的增加，演算法效能都在提公升。於是它們得到...