A few useful things to learn about ML

1. ML=算法模型+评价函数+迭代算法（优化算法optimization）

算法模型：决策树、线性回归等

评价函数：最大似然函数、误差均值等

迭代算法：随机梯度下降、批量梯度下降等

2. 泛化能力是ML最重要的东西

1)训练、测试要使用不同的数据集，如cross-validation

2)上文提到的评价函数（loss-function/cost function）仅仅是泛化目标的替代/逼近，并不能完全带面一个模型的泛化能力

3）没有免费的午餐（no free lunch）：没有一种通用的模型能够解决所场景中的问题。选择模型时需要结合实际问题，基于instants\概率\先验条件（precondition）要选择不同的模型。

3.过拟合有很多表现

1）分辨过拟合的一种方法是将泛化误差分为高偏差(high bias)与高方差（high variance）

2）数据量太少或者模型过于复杂可能导致过拟合

3）防止过拟合：交叉验证、正则项

4. 特征高纬度问题

理论上说，特征是越多越好的，但是你每增加一个特征，其表示的空间可是以指数方式递增的，这时候你所拥有的数据量就会以指数速度变得越来越不够用。因为你所掌握的数据是恒定的，而在需求以指数递增的同时，你说掌握的那点数据，在与需求的比值以指数方式变小。
当然，计算也是个问题。不过最严重的还是高维度下的分布问题，在高维度下，物体的的多元高斯分布的质心离物体的均值通常很远。看来我还需要补一补代数方面的知识。所以即便你的数据足够，结果也不一定对。 -转载

5.理论保证

边界保证与渐进保证

这段说的是学习理论，但理论在实际中的应用固然重要，但实际效果不一定可由理论推导出来。

6. 特征工程在机器学习中非常重要，往往决定了算法的实际效果，而特征提取的工作往往是非常繁琐的。

因此现在深度学习可以自动提取特征的优点十分重要！！！

7. 大量数据比设计聪明的算法更重要

机器学习中的限制：时间、内存、训练数据。现在，机器学习中最大的限制是时间！

先从简单的算法开始试验

8. 多学习一个模型算法

算法效果随应用场景而不同，没有一种算法能够适应全部应用。

现在学者多采用混合多种模型--model ensembles:bagging\boosting\stacking

视觉推荐系统www.netflixprize.com

9. 可表示不一定就科学系

有的问题可以用函数表示出来，但是不一定就能够被学习。

通过机器学习得到的模型仅仅是真实模型的一个逼近。

我们的假设集合仅仅是所有可能的一个子集，如果一个假设（算法）不行，试试别的算法或者算法组合，因为别的算法或组合能够引入跟多的假设。

10. 相关并不意味着因果

机器学习得到的是数据之间的相关性，但是数据间的因果关系不一定能被发现，或者说可以通过相关性进一步发觉。

另一个读后感：http://blog.csdn.net/danameng/article/details/21563093