2018/12/19
原來的時候，就看了那片博士**，將機器學習巢狀為搜尋的框架；那篇**的題目是「機器學習為什麼能工作」。文章[1]是將構造乙個學習系統作為了搜尋問題。
他的搜尋目的，是選擇演算法、模型、引數、資料等這些內容。
原來的時候，那本《集體智慧型程式設計》的書，中間穿插了乙個章節的啟發式演算法來講搜尋問題，我當時就不太理解為什麼。現在看了這裡就有點明白了。舉乙個範例，可能不太恰當。在我進行一些引數設定的時候，利用爬山演算法，將模型的準確率作為評價指標，這樣我搜尋的時候，就是在乙個引數空間中，搜尋這些引數，然後達到最優解。其實我感覺我當初就這麼想過，但是從來沒有過實踐過的過程，也就導致沒有這方面的對映。
2019/01/28
機器學習最開始提出的時候，並不是為了解決分類問題，而是作為提供遊戲中的解決方案，作為搜尋演算法的繼承人，就是最開始的ai研究領域。
他這裡的研究角度，明顯是跟文章[1]的視角是不一樣的；文章[1]側重於利用，
是一致的，只不過遊戲中的搜尋演算法可能會按照某個目標來進行前進，這裡的分類演算法可能事先也不知道怎麼樣才算是一種比較好的目標。但同樣按照那種搜尋樹的構造往下走，本質上是乙個道理，只不過每層的狀態空間變成了各種引數的選擇。
但說實話，因為整體上機器學習沒有那種搜尋的氣息，所以你不是那麼容易理解。
而且，我在谷歌上也搜了不少次，基本上沒有搜到過很相近的，估計那篇博士**就是最相近的把。
我有時候也覺得我糾結這個問題有些不值得。
閱讀筆記 頻率視角下的機器學習
統計學 統計機器學習 頻率學派 對於概率的解讀，有兩種不同的解讀方式，這兩種不同的思維方式導致了對機器學習的兩種截然不同的解讀。機器學習的任務是基於現有的資料來構造模型，然後利用模型對未知資料進行 分析。事件本身的發生是一種概率模型，因此對概率的認知方式不同，決定著對模型本質的理解，構造方式有著天然...
機器學習新視角4 領域
例如 笛卡爾座標系,極座標系,地心座標系,球座標系,柱座標系等等 假設乙個笛卡爾座標系 經過平移 x,y 可以生成乙個新的笛卡爾座標系,新座標系上的點 在 原座標系 的座標 都像是進行了 x,y 的平移,而原座標系上的點在新座標系中都發生了 x,y 反向偏移例如 某個維度的 開始點,結束點,或者半徑...
機器學習新視角5 投影
就是把一系列資料 對映到新的領域內 形成的新的表現 中選取表現最佳的 資料,或對映到不同的領域中,選取最佳的表示 就好像在王者榮耀中的 你投影到了乙個召喚師身上 這裡的區域就是王者榮耀的戰場,每一局都是乙個新的投影 就比方 在太陽下 你的身體投影到了地面形成的影子 這裡的區域就是太陽找到的地面,每個...