梅飞飞飞的假期学习日记DAY1

重新在假期捡起来的深度学习，加油搞完SIT考研！！！

昨天买的深度学习书到了今天开始看

---

概率建模是最早的机器学习形式之一，当中存在的朴素贝叶斯算法如今已被广泛应用

---

机器学习方法中的“核方法”是一组分类算法，当中最有名的就是支持向量机（SVM），利用超平面来构建决策边间分割数据点

核方法当中的和技巧是其关键，省去了计算坐标直接计算得到新空间中点与点之间的距离

在此方法当中只有“分离超平面”这个部分是通过学习得到的

SVM属于一种浅层的方法，想使用SVM必须先手动完成特征工程工作得到有用的表示（例如图像问题的像素直方图），由此使得问题便于处理。

---

决策树是类似流程图的结构，可根据对输入数据进行分类或根据输入预测输出值。

随机森林构建多个专门的决策树，然后将它们的输出集成在一起，对于浅层的机器学习任务，也是很好的一种算法。

后来的梯度提升机也是将弱预测模型（通常是决策树），使用梯度提升的方法，迭代你训练新模型来专门弥补原有模型的弱点，能够在对决策树处理时得到比随机森林更好的效果

两种模型都更适合处理“非感知数据”

---

深度学习将特征工程自动化，深度学习能够在拥有多个表示层时，在同一时间共同学习所有表示层，而不是一次连续学习

深度学习从数据中学习特征：通过逐层渐进的方式形成越发复杂的表示；对中间部分的渐进表示共同进行学习。

目前的技术已经可以从头开始训练任意深度的模型，使得我们可以使用极其庞大的模型并通过训练得到精确的模型

感谢大佬开发的tensorflow等库让我们这些小菜鸡有能力开发学习深度学习呜呜呜