机器学习概述

pku教程的小结：

• 什么是机器学习：机器学习是一种统计学方法，利用已有数据得到某种模型，再用模型预测结果。

  

特点：随数据增加，效果会变好

比如：决策树模型

 

• 机器学习与传统计算机运算的区别：传统计算机是基于冯诺伊曼结构，指令预先存储。运行时，CPU从存储器里逐行读取指令，按部就班逐行执行预先安排好的指令。其特点是输出结果是确定的，因为先干什么吼干什么的指令都已经提前写好了，然后交给cpu去计算。

机器学习的三要素：数据、算法、算力

• 什么是深度学习：深层次的神经网络，源于对生物脑神经元的结构的研究。

人脑神经网络：随着人的成长，脑神经网络是在渐渐变得粗壮

生物学中的神经元：（假装有图）

计算机的神经元模型：如上图，心理学家McCulloch和数学家Pitts参考如上的生物神经元结构，发表了抽象的神经元模型，神经元模型是一个包含输入输出和计算功能的模型。输入就好比与神经元的树突，而输出可以类比为神经元的轴突，计算可以类比于中央细胞核：

• 关系图：人工智能->机器学习->深度学习

六．典型应用（初学者）

1.计算机视觉，语音识别，图像识别，自然语言处理

2.预测分析，智能分类

七．小结：

1.机器学习就是在任务T上随经验E的增加，效果P随之增加；

2.机器学习的过程是通过大量数据的输入，生成一个模型，在利用这个生成的模型，实现对于结果的预测；

3.庞大的神经网络是基于神经元结构的，是输入乘以权重，在求和，再过非线性函数拟合的过程。

----------------------------------------------------------------------------------------------------不可视的境界线

读者在暑假最后二十天学到现在，python基本语法了解了，tensorflow也刚刚开始，反正，机器学习和矩阵理论与方法关系密切，在机器学习的模型中，图的结构会很复杂，所以线性代数的知识必须掌握好，再到后来的系统设计，还需要更高阶的线性代数知识，比如奇异值分解之类的，嗯，我一定不要做一条咸鱼~

比较干货硬核一点的在我的github里面