1、機器學習的定義：如果乙個程式可以在任務t上，隨經驗e的增加，效果p隨之增加，則這個程式可以從經驗中學習。
過程：
單個神經元：
2、基於tensorflow的nn（神經網路）：用張量表示資料，用計算圖搭建神經網路，用會話執行，優化線上的權重（引數），得到模型。
2.1、張量：多維陣列（列表），階：表示張量的維數。
如：標量（0階）、向量（1階），矩陣（2階）
2.2、計算圖（graph）：搭建神經網路的計算過程，只搭建，不運算。
2.3、會話（session）：執行計算圖中的節點運算。
2.4、引數：表示輸入到求和過程上的權重w，用變數表示，隨機給初值。
3、神經網路的實現過程：
訓練階段（迴圈迭代）：
（1）、準備資料集，提取特徵，作為輸入餵給神經網路；
（2）、搭建nn結構，從輸入到輸出（先搭建計算圖，再用會話執行）
（nn前向傳播演算法———>計算輸出）；
（3）、大量特徵資料餵給nn，迭代優化引數
（nn反向傳播演算法———>優化引數訓練模型）；
應用：（4）、使用訓練好的模型**和分類；
機器學習筆記1
高斯分布屬於指數分布族，線性最小二乘就是基於高斯分布。線性最小二乘 最大似然 最小二乘。高斯判別分析 gda 針對的是特徵向量 x 為連續值時的問題，而樸素貝葉斯 nb 針對的是特徵向量 x 為離散值時的問題。gda 比 logistic 回歸有更嚴格的前置假設。當資料服從或大致服從正態分佈時，使用...
機器學習筆記（1）
機器學習筆記。1 經驗誤差與過擬合 2 評估方法 測試集與訓練集互斥 2.1 留出法 資料集劃分為兩個互斥集，乙個用作訓練，乙個用作測試。注意資料分布一致性?分層取樣 正反例比例一致 由於按比例分割可能存在樣本次序的關係，正例 反例的具體化為可能影響結果的分析 需要進行多次隨機劃分，重複實驗取平均值...
機器學習筆記1
高斯分布屬於指數分布族，線性最小二乘就是基於高斯分布。線性最小二乘 最大似然 最小二乘。高斯判別分析 gda 針對的是特徵向量 x 為連續值時的問題，而樸素貝葉斯 nb 針對的是特徵向量 x 為離散值時的問題。gda 比 logistic 回歸有更嚴格的前置假設。當資料服從或大致服從正態分佈時，使用...