想要控制一件事物,首先需要能够观察它。
机器学习发展历程:
- 概率建模:logistic回归、朴素贝叶斯;
- 早期神经网络:梯度下降;
- 核方法: SVM;
- 随机森林、决策树和梯度提升机;
- 神经网络;
Kaggle 上主要有两大方法:梯度提升机和深度学习。梯度提升机主要使用XGBoost,深度学习主要使用keras;
张量的关键属性:
轴的个数、形状、数据类型;
张量运算: - 加法、乘法;
- 张量点乘;
- 张量变形;
张量运算的集合解释:输入数据的几何变换;
深度学习的几何解释:
神经网络(或其他机器学习模型):找到实现目标的变换,使得两个类别明确可分;
机器学习内容:为复杂的、高度折叠的数据流找到简洁的表示;
虽然得到的表示是没有意义的,但这是一个起点。下一步则是根据反馈信号逐渐调节这些权重。