傳統程式設計模式基於規則(資料結構與演算法)和資料。目的為了快速得到答案。當解決問題的規則設定好後，輸入與輸出的唯一確定的。
機器學習是將資料與資料的輸出統一作為輸入，計算機經過學習得到輸入與輸出之間的知識。這裡的知識也指輸入資料與輸出資料的規則。
這是指有監督學習中的學習方法劃分類別。
由資料學習訓練集的聯合概率分布，然後求出條件概率分布作為**的模型。先做好模型再去**的方法。模型表示了輸入到輸出的生成關係。
生成模型有：樸素貝葉斯模型和隱馬爾可夫模型。
特點：由資料學習決策函式或者條件概率分布作為**。
判別演算法有：k近鄰，感知機，決策數，邏輯回歸，最大熵模型，支援向量機，提公升方法，條件隨機場等。
特點：模型就是結合輸入資料與需要解決的任務建立乙個輸出到輸出的對映方法。該方法稱為模型。
模型是解決用什麼來學習的問題。而策略就是衡量評估學習效果好壞得的問題。機器學習採用的策略是選用損失函式作為衡量指標。
常用的損失函式：
為了使得模型擬合效果更好，需要最小化損失函式。這個過程裡需要迴圈進行輸入到輸出和求損失函式的操作。那麼如何將損失函式傳遞給模型從而更新模型是的模型有更好的效果，這就是演算法需要解決的問題。
這裡主要是考慮到了損失函式最快的下降方向。學過物理和數學我們知道，沿著梯度方向是最快的選擇。
牛頓法的最大優勢是收斂速度快。
第一章 機器學習基礎
首先考慮使用機器學習演算法的目的。如果想要 目標變數的值，則可以選擇監督學習演算法，否則可以選擇無監督學習演算法。確定選擇監督學習演算法後，需要進一步確定目標變數型別，如果目標變數是離散值，如是 否，則可以選擇分類演算法 如果目標變數時連續性數值，如0.0 100.00，需要選擇回歸演算法 如果不想...
機器學習第一章
q 什麼是機器學習 機器學習不同於以往的計算機程式設計，致力於研究如何通過計算機手段，利用以往的經驗來改善系統自身的效能。一般的程式設計都是明確的告訴電腦該做什麼。機器學習希望提供資料給學習演算法，讓它自己學習，找到其種的規律。在面對新情況的時候就能應用已產生的模型，提供相應的判斷。機器學習的本質任...
機器學習第一章
今天進行了機器學習第一章的學習，我覺得首先你可以認清這些概念 1 模型 策略 演算法 2 分類與回歸的概念 3 監督 無監督 半監督問題 2 過擬合 欠擬合 下面是拓展的一些概念 海森矩陣 黑塞矩陣 hessian matrix 又譯作海森矩陣 海瑟矩陣 海塞矩陣等，是乙個多元函式的二階偏導數構成的...