机器学习里面的基函数_机器学习系列（一）——基础概念及分类

机器学习基础(一)

emm... 那个第一篇文章，简单的自我介绍一下，机器学习小白，希望和大家一起进步，有什么问题可以留言一起探讨。

本文撰写于2020/1/1 是本人学习机器学习时，做的笔记摘要，为方便日后查漏补缺，以博客的形式粘贴出来，文中所引数据及内容仅作学习之用。

机器学习是人工智能的一个子集，目前已经发展出许多有用的方法，比如支持向量机，回归，决策树，随机森林，强化方法，集成学习，深度学习等等，一定程度上可以帮助人们完成一些数据预测，自动化，自动决策，最优化等初步替代脑力的任务。本章我们主要介绍下机器学习的基本概念、监督学习、分类算法、逻辑回归、代价函数、损失函数、LDA、PCA、决策树、支持向量机、EM算法、聚类和降维以及模型评估有哪些方法、指标等等。

1 基本概念

机器学习(Machine Learning, ML)，顾名思义，让机器去学习。这里，机器指的是计算机，是算法运行的物理载体，你也可以把各种算法本身当做一个有输入和输出的机器。那么到底让计算机去学习什么呢？对于一个任务及其表现的度量方法，设计一种算法，让算法能够提取中数据所蕴含的规律，这就叫机器学习。如果输入机器的数据是带有标签的，就称作有监督学习。如果数据是无标签的，就是无监督学习。

1.1 ML各种常见算法图示

​日常使用机器学习的任务中，我们经常会遇见各种算法。

回归算法

聚类算法

正则化方法

决策树学习

贝叶斯方法

基于核的算法

:----------------------:

:----------------------:

:----------------------:

聚类算法

关联规则学习

人工神经网络

:----------------------:

:----------------------:

:-----------------------:

深度学习

降低维度算法

集成算法

:-----------------------:

:-----------------------:

:-----------------------:

1.2 导数的计算

计算图导数计算是反向传播，利用链式法则和隐式函数求导。<