三、機器學習有哪些分類？
四、機器學習的前沿進展？
經過兩年專業課與基礎課的學習，我們已經有能力去接觸機器學習這門課程。機器學習要求首先是數學功底深厚，微積分、線性代數、概率論將會發揮重要的作用也會是學習上最大的門檻，另外需要掌握基本的程式設計技巧並且熟練使用python語言。
我對自己也沒有十足的信心，但我認為不會對一切挑戰做足充分的準備，都是應該在學習的過程中發現問題彌補，無論是數學功底還是程式設計技巧讓我們邊學習邊提公升。機器學習當然是塊硬骨頭，越硬的骨頭就越不該留到以後啃。
2.效能：機器學習是一種近似模擬逼近的過程，因此我們得出的預估結果與實際情況或者正確答案之間會有一定的差距，而這個差距就體現為我們機器學習演算法的效能。常用損失函式（loss function)來表徵當前模型函式的優劣，並且有助於進一步調整引數。
3.經驗：經驗是機器學習的關鍵因素。根據經驗的有無、經驗的種類還可以將機器學習分為監督學習（有師學習）、非監督學習（無師學習）、半監督學習等等。經驗是函式式**的矯正標準。
4.完善：機器學習的目標一定是個可優化可發展的內容。不能是公理或者被嚴格證明的定理，可以用機器學習的方法去研究處理，但不可完善的主題是沒有意義的。
-現在的大部分機器學習模型，學習了任務1後掌握了任務1，學習了任務2後忘掉任務1掌握了任務2，學習了任務3後只剩下了任務3。那能否有一種學習模型，其學習過的知識全部儲存，這樣不斷對這個模型進行不同角度的學習訓練，或許就可以成為「天網」一樣的機械人。
機器學習筆記 導論
machine learning a probabilistic perspective 第一章 導論 1.1 什麼是機器學習，為什麼需要機器學習。大資料時代，要求機器能自動分析資料，能從已知的資料中學習一些隱藏的模式，來 未來的資料，或者執行一些決策。機器學習大體分為兩類 或者有監督學習 這個方式...
機器學習導論筆記 緒論
監督學習 給定輸入x和輸出y，任務是學習從輸入到輸出的對映。方法是，先假定某個依賴於一組引數的函式，優化引數，使得逼近誤差最小。型別包括回歸和分類。非監督學習 只有輸入資料，我們的目標是發現輸入資料中的規律，輸入空間存在著某種結構使得特定的模式比其他模式更易出現，我們對其進行密度估計。聚類是密度估計...
學習筆記 機器學習（一） 導論
這也是我自己非常關心的乙個問題吧，從我第一次聽到這個詞語，就對機器學習是什麼一直模糊不清！這個也可以參考 這裡我首先明白了上面的三種學習方式是根據學習任務的不同，機器學習可以細化為這四種！而這裡的學習任務的不同具體指的就是資料的不同 1 如果所給定訓練的資料都是標好 好 或者 壞 等這樣的標籤時 監...