杂谈——关于“数据”本身的思考

这几天扫略了几本书和一些文字，难免会有一些想法。

• 数据格式

数据是一切的根本。常见的数据类型有图像、文本和声音。

• 数据表达的方式？

图像——二维数字数组；
文本——（可能是）词频向量
声音——时间和强度的一维数组

• 为什么这么表达？
  计算机不能直接处理原始文本，文本必须转换成数字，即将原始数据向量化表达。

比如，文本
机器学习这样的技术比较喜欢被定义好的固定长度的输入和输出，因此不固定输入输出是文本建模的一个问题。所以，出现了词袋模型？——舍弃文本中的大部分解结构，而只统计词频，这样不仅简化了而且也达到了固定输入的效果！