机器学习简介&系列目录

历史回顾

人类一直试图让机器具有智能，即人工智能（Artificial Intelligence）。从上世纪的“推理期”到“知识期”，AI可以证明一些著名的数学定理，大量专家系统问世。在其风头无两之时，暗含的问题也逐渐凸显：1.机器只能在人类已知的知识体系下运算。2.人力成本太高。于是，让机器“自主学习”的理念逐渐诞生，机器学习（ML）方法应运而生。从连接主义的感知机、神经网络，到统计学习的支持向量机，再到近日热门的深度学习······机器学习领域不断发展、日新月异，其中有大量方法有待我们学习、发掘。在这个系列中，我们将回顾一些传统的机器学习算法，温故而知新。

目录

线性回归——Linear Regression原理
机器不学习——KNN
对数几率回归——Logistics Regression原理
朴素贝叶斯——Naive Bayes原理
支持向量机——SVM原理