【引言】浙大机器学习课程记录

• 让计算机自己总结规律的编程方式

Arthur Samuel 所定义的机器学习是专指这种非显著式编程的方式

非显著式编程方式的做法：

​ 我们规定了行为和收益函数后，让计算机自己去找最大化收益函数的行为

让计算机通过数据、经验自动的学习。

第二种定义

---

来自于1998年 Tom Mistshell 在《MACHINE LEARNING》书中给出的定义

A computer program is said to learn from experience E with respect to some task T and some performance measurc P, if its performance on T, as measured by P , improves with experience E

一个计算机程序被称为可以学习，是指它能够针对某个任务 T 和某个性能指标 P，从经验 E 中学习。这种学习的特点是，它在 T 上的被 P 所衡量的性能，会随着经验 E 的增加而提高。

据 Tom Mitshell 的定义，机器学习为为识别不同任务而改造某种算法

这种算法的特点：

​ 随着 Experience 的增多，Performance Measure 也会提高

这种算法的具体体现：

| 标识 | 动作 |

| :-: | :-: |

| 任务 T | 设计程序让 AI执行某种行为 |

| 经验 E | AI 多次尝试的行为和这些行为产生的结果 |

| 性能测试 P | 在规定时间内成功执行的次数 |

据经验 E 来提高性能指标 P 的过程，为典型的最优化问题

---

机器学习的分类

======================================================================

按照任务性质的不同进行分类为：

• 监督学习

• 强化学习

• 计算机通过与环境的互动逐渐强化自己的行为模式

但不绝对

这里主要介绍了监督学习

监督学习

---

（1）监督学习根据数据标签存在与否分类为：

• 传统监督学习（Traditional Supervised Learning）

• 非监督学习（Unsupervised Learning）

• 半监督学习（Semi-supervised Learning）

（2）基于标签的固有属性，按照标签是连续还是离散分类为：

• 分类问题

• 回归问题

基于标签存在分类

传统监督学习

Traditional Supervised Learning 中每一个训练数据都有对应的标签

算法包括

• 支持向量机 （SUPPORT VECTOR MACHINE）

• 人工神经网络（NEURAL NETWORKS）

• 深度神经网络（Deep Neural Networks）

非监督学习

Unsupervised Learning 中所有的训练数据都没有对应的标签

在Traditional Supervised Learning中的数据可能有像：X 代表一类，圆形代表另一类，但在 Unsupervised Learning 中可能如下图：

尽管我们不知道训练数据的类别标签，但我们可以这样处理：

Created with Raphaël 2.3.0 假设 同一类的训练数据在空间中距离更近 样本的空间信息 设计算法将它们聚类为两类 无监督学习

算法包括

• 聚类（Clustering）

• EM 算法（Expectation–Maximizationg algorithm）

• 主成分分析（Principle Component Analysis）

半监督学习

Semi-supervised Learning 中训练数据中有一部分有标签，一部分没有标签

在大量的数据面前，数据标注是成本巨大的工作

所以我们需要：

​ 少量的标注数据 + 大量未标注数据 训练一个更好的机器学习算法

例如下图：

在左边，如果只有两个标注过的训练样本，那么便不好进行分类；如果像右图增加没有标签的训练样本，那么可能设计算法就能实现更准确的分类。

基标签固有属性分类

分类和回归的分别是十分模糊的，因为离散和连续的区别也是模糊的。

我们主要研究机器学习模型解决分类问题。

分类

Classifcation：标签是离散的值

例如人脸识别为分类问题

如图：

模式一为双人脸比对，模式二为人群中单人脸匹配。

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数前端工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Web前端开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你觉得这些内容对你有帮助，可以扫码获取！！（备注：前端）

前端面试题汇总

---

前端面试题是我面试过程中遇到的面试题，每一次面试后我都会复盘总结。我做了一个整理，并且在技术博客找到了专业的解答，大家可以参考下：

由于篇幅有限，只能分享部分面试题，完整版面试题及答案可以【点击我】阅读下载哦~无偿分享给大家

感悟

/img_convert/0432b8e539325b94948089383d0bfa8c.png)

由于篇幅有限，只能分享部分面试题，完整版面试题及答案可以【点击我】阅读下载哦~无偿分享给大家

感悟

春招面试的后期，运气和实力都很重要，自己也是运气比较好，为了回馈粉丝朋友们（毕竟自己也玩了这么久哈哈哈），整理个人感悟和总结以上。最后祝愿大家能够收获理想offer！！