谷震平的机器学习之路

前言

    我看了许多书、许多论文、许多视频，也和老师们、大牛们交流过，对于机器学习有一番自己的体会。个人不太擅长生物、哲学方面的表述，但是比较喜欢用数学、计算机的语言表述。所以，程序员的理解，比较死板吧，仅供参考！

    5个月了，也该总结一番了。

  （注：个人联系方式：[e-mail]，欢迎交流。）

1 主要内容

    机器学习的东西太多，毕竟人蠢，所以只学了些许部分。如下列举：

    （1）大方面分：监督学习、无监督学习。半监督学习、增强学习没怎么看。

    （2）小方面分：线性回归模型、逻辑回归模型、神经网络、SVM。

    （3）算法方面：神经网络算法、梯度下降算法。

    （4）数学方面：概率论、高等数学、线性代数。

     在谷震平的博客中，将重点叙述个人的学习经历，有些单独讲，无法单独讲的，糅合其他部分一块讲。

2 监督学习

    首先，给出Supervised Learning概念：从一个训练数据集中学出合理的模型（能够描述数据的函数方程），然后用该模型处理新数据。算法需要明白你给出的数据集，即你需要告诉它特征和目标等信息，然后才可以学到合理的模型。通过将人的智慧放在数据中，机器也聪明了。

    这种方法可用于两个领域：回归分析（输出是一个连续的值）和统计分类（输出是一些散列的点或标签）。

3 无监督学习

    首先，给出Unsupervised Learning概念：算法通过将数据分类得出可以描述数据集的模型。和监督学习相反，不给出训练数据集的特征和目标。实质上，是数据的聚类（将相似的数据放在一起）过程。得出的模型可以描述当前的数据集，但不一定描述未知的数据集。后来出现了监督增强，就是在无监督的方式下，告诉算法怎么分类才是正确的。

4 概率论

    （1） 古典概率

    （2）条件概率

    （3）概率公理

    （4）贝叶斯公式

    （5）高斯分布（正态分布）

    （6）0-1分布

    （7）二项分布

    （8）Poisson分布（泊松分布）