机器学习任务数学表示

       通常情况下，实际的机器学习问题需要抽象表示为数学矩阵的方式，才可以用数学优化理论对模型进行优化，得出理想的hypothesis，简单介绍一些原始数据表示为数学矩阵方式的形式。

• 原始数据为样本数据的属性值形式：
         有三个已知样本数据，分别为：
                张强，男，178cm, 65kg, 爱好：游泳，足球；
                李向阳，男，172cm, 65kg, 爱好：电影，足球；
                韩梅梅，女，163cm, 53kg, 爱好：跳舞，唱歌；
         图标形式：
                姓名，性别，身高，体重，爱好
                张强，男，178cm, 65kg, 爱好：游泳，足球；
                李向阳，男，172cm, 65kg, 爱好：电影，足球；
                 韩梅梅，女，163cm, 53kg, 爱好：跳舞，唱歌；
         显然上述图标形式无法用数学模型处理，在此需要将非数值数据转换为数值形式，采用one hot encoder将非数值属性转换为数值属性，转换后的图标为：

  姓名，性别-男，性别-女，身高，体重，爱好-游泳，爱好-足球，爱好-电影，爱好-跳舞,爱好-唱歌
  张强,      1,            0,            178,      65,    1,                1,                  0,              0,              0
  李向阳,    1,            0,            172,      65,    0,                1,                  1,            0,              0
  韩梅梅,    0,            1,            163,      53,    0,                1,                  0            1,              1

• 文本数据
         文本数据表示为向量形式包括词的向量形式表示、句子的向量形式表式等。

  • 词的向量表示
    
    • 词袋模型（Bow）
      样本1：我爱北京天安门。
      样本2：你在北京过得怎么样？
      样本3：天安门前天安门广场好大啊。
      在一种分词情况下：
      样本1分词：我/爱/北京/天安门。
      样本2分词：你/在/北京/过得/怎么样？
      样本3分词：天安门/前/天安门/广场/好/大/啊。
      向量表示为：
                  我，爱，北京，天安门，你，在，过得，怎么样，前，广场，好，大，啊
      样本1：1,    1,    1,    ,    1,           0,    0,    0,        0,            0，    0,    0,    0,    0
      样本2：0,    0,    1,    ,    1,           1,    1,    0,        1,            0，    0,    0,    0,    0
      样本3：0,    0,    1,    ,    1,           0,    0,    0,        0,            1,      1,    1,    1,    1
      在上述向量表示过程中，并没有考虑分词过程中加入停用词等情况的影响（停用词去掉虚词、助词等等）。上述表示仅仅表示出词是否存在，除此之外，还有计算词汇出现次数、以及将词对文档的影响考虑在内的TF-idf表示等。词袋模型并没有考虑句子中词的位置对语义的影响，在文档搜索或文档分类方面还可以应用。
    • 词嵌入模型
      为了使词表示具有语义信息，将上下文信息与词向量表示关联起来。一种是采用一个窗口模式n-gram模式来将词的前后词与词本身关联在一起。还有一种采用稠密向量表示词，相似语义的词的向量距离近。常用的为word2vec训练词向量模型。
• 图像数据
  最直观的图像数据表示模式即在空间表示上为位图模式，在色彩表示上采用RGB模式等。在之前进行数字图像处理时在进行特征表示时是比较痛苦的过程，有灰度变化、直方图统计、高通低通滤波等等、以及各种小波变换、傅里叶变换等；后来随着深度学习的出现，卷积神经网络开始在图像特征提取方面呈现出一统江湖的趋势。