机器学习常识

1、机器学习过程解释

我们首先会通过样本的规律寻找合适的模型，再用样本数据训练模型（训练时通常会将样本分为两部分，一部分用来训练，另一部分用来检验训练后模型的正确率，以评估模型的好坏），之后我们就可以通过训练好的模型进行新数据的预测了。其实机器学习学到的东西就是我们所谓的经验或者规律，机器学习会把这些学到的东西固化到模型中，以便解决新的问题。

机器学习(Machine Learning)是计算机科学的一个方向。利用统计学的技巧，机器学习算法(Machine Learning Algorithms)能够自动学习并识别数据内的规律。凭着这些规律，算法便能作出高度准确的预测。

2、深度学习+强化学习+迁移学习区别

深度学习：大量数据特征自动挖掘 准确性

强化学习：大量数据  反馈 策略，根据当前环境反馈计算并决定下一步该做什么，例如：alphago 走迷宫游戏

迁移学习：少量数据  学习方法 冷启动 个性化  适应

3、典型机器学习任务流程

获取大量数据：spider/数据清洗过滤/消重

选取特征和模型：word2vector生成的向量/选择二分类模型

选取算法：svm

进行训练和不断调参数：控制学习步长、调整参数

获取结果并评估：损失函数最小（假设计算结果和实际值之间的平均平方差）

4、资源

机器学习算法集锦：从贝叶斯到深度学习及各自优缺点

机器学习原理图文讲解（决策树）