1、.機器學習的定義 機器學習的范圍其實，機器學習跟模式識別，統計學習，數據挖掘，計算機視覺，語音識別，自然語言處理 等領域有著很深的聯系。從范圍上來說，機器學習跟模式識別，統計學習，數據挖掘是類似的，同時，機器學習與其 通用的，不僅僅模式識別者的主要區別在于前者是從工業界發展起來的概念，后 Pattern Recognition And Machine 的概念實在是太耳熟能詳。幾乎 。但是，我盡管可能會挖出金子，但我也 是，數據挖掘僅僅是一種思考方式，告訴 上了一個數據挖掘模塊就變得無所不能(這是. 化。 ，而機器學習者更關注的是能夠解決問題，偏實踐，因此機器學習 如百度識圖、手寫字符識別、車牌

2、識別等等應用。這個 . 向。按照百度機器學習專家余凱的說法“聽與看，說白了就是 ，而只有語言才是人類獨有的”。如何利用機器學習技術進行 局限在結構化數據，還有圖像，音頻等應用。機器學習的方法，回歸算法都是介紹的第一個算法。原因有兩個：一. “最小二乘法”的思想是這樣的，假設 . “數值計算”，專門用來提升計算機進行各類計算 “梯度下降”以及“牛頓法”就是數值計算中 歸屬于分類算法，也就是說，邏輯回歸預測 .圖 7 邏輯回歸的直觀解釋一組腫瘤患者的數據，這些患者的腫瘤中有些是良性的(圖中的藍色性的(也有劃出非線性分類線的邏輯回. 2、神經網絡 神經網絡重裝歸 BP數值算法) .個層再組成了一個網

3、絡，也就是”神.圖 9 神經網絡的邏輯架構。.圖 10 LeNet 的效果展示，隨著層次的不斷深入，越深的層次處理的細節越低，例如BP3、SVM (支持向量機).算法最多算是一種更好的線性分類技結合，支持向量機可以表達出非常復雜的分類界線，從特殊的函數，最典型的特征就是例如下圖所示：我們如何在二維平面劃分出一個圓形的分類界線？在二維平面可能會很困難， 但是通過“核” 可以將二維空間映射到三維空間，然后使用一個線性平面就可以達成類似效果。也就是說， .過在三維空間中進行簡單的線性劃分就可以達到在二維平面中的非線性劃分效果。學成分)。在算法的核心步驟中，有一步證明，即將數據從低維映射到高維不會直占

4、據著機器4、聚類算法.表 降維算法也是一種無監督學習算法，其主要特征是將數據從高維降低到低維層次。在這里， 維度其實表示的是數據的特征量的大小， 例如，房價包含房子的長、寬、面積與房間數量四 個特征，也就是維度為 4 維的數據。可以看出來，長與寬事實上與面積表示的信息重疊了， 例如面積=長 寬。通過降維算法我們就可以去除冗余信息，將特征減少為面積與房間數 量兩個特征，即從 4 維的數據壓縮到2 維。于是我們將數據從高維降低到低維，不僅利于 表示，同時在計算上也能帶來加速。 冗余的特征，降維算法也 過降維算 PCA.推薦算法是目前業界非常火的一種算法， 在電商界，如亞馬遜，天貓，京東等得到了廣泛的 提升效益。推薦算法有兩個主要的類別： 是關聯程度較大，但是由于每個物品都需要貼標簽，因此工作量較大。基于用戶相似度的推薦， 則是將與目標用戶興趣相同的其他用戶購買的東西推薦給 目標用戶，例如小 A 歷史上買了物品 B 和 C，經過算法分析，發現另一個與小 A 近似的用 戶小 D 購買了物品 E，于是將物品 E 推薦給小A。 名的算法就是協同過濾算法。 算法眾多，發展百花齊放。 監督學習算法：無監督學習算法：特殊算法：.算是 法，用于大幅度提高訓練過程。其中的代表有：梯度下降法，主要運用