学习目标：
机器学习基础概念、最小二乘法、正则化
学习内容：
机器学习公众号讲义：
机器学习基本概念：
第一讲 基本概念part2 （其中也提及最小二乘相关知识，讲的不错）
机器学习基础 （上）：
最小二乘法：
最小二乘法（Least square method）_Tonywu2018的博客-CSDN博客
最小二乘法（least sqaure method） - 知乎
正则化：
机器学习之正则化（Regularization） - Acjx - 博客园
重点学习内容：
例一：曲线拟合
对于模型复杂度与最终拟合程度好坏的讲解，对原始样本的学习能力越强，其实会增大样本中噪声部分（异常值）产生的影响，产生过拟合。对于未来数据的预测（泛化能力）反而不利
如何在保持很好的泛化能力的同时，抑制过拟合呢？结构风险最小化就是为了防止过拟合而提出的，结构风险在经验风险的基础上加上表示模型复杂度的正则化项，比如说，模型参数的一范数，二范数等。这个时候结构风险函数就是我们要最优化的目标函数。
最小二乘法（least sqaure method） - 知乎
关于最小二乘法的解释及简单推导过程
目的及常用方法
机器学习的分类（重点）
学习小笔记：
相关名词解释及链接
lambda：机器学习可以用希腊字母λ来概括，即机器学习=Lambda。其中L表示损失函数（Loss）、第一个A表示算法（Algorithm）、M表示模型（Model）、BD表示大数据（Big Data）、第二个A表示应用（Application）。
解析解：是指通过严格的公式所求得的解。
数值解：是采用某种计算方法,如有限元的方法，数值逼近,插值的方法，得到的解。别人只能利用数值计算的结果，而不能随意给出自变量并求出计算值。
奥卡姆剃刀原理：这个原理称为“如无必要，勿增实体”，即“简单有效原理”。正如他在《箴言书注》2卷15题说“切勿浪费较多东西去做，用较少的东西，同样可以做好的事情。”
下次学习内容
初步了解马尔科夫模型相关知识（本次学习第一讲 基本概念part2 中曾提到）
学习第一讲 基本概念Part3内容
1029
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
