机器学习入门

研究生考试结束了，考研通知书也在几天前到手了，是时候安心下来考虑一下未来研究生的生活和学习了，看现在机器学习特别的火，所以我就先跟风学习一下机器学习吧。

由于刚开始学习，所以对一些专有名词不是很熟悉，所以特别做了一下总结，因为刚刚入门，所以就先整理了这些。

人工智能：

一、 认知和感知（区别看待）（目前是在感知上做的非常好，甚至超过了人类，但是在认知上还是不是特别的理想）

机器学习：
一、 监督学习，无监督学习

有监督学习（分类，回归）
↕
半监督学习（分类，回归），transductive learning（分类，回归）
↕
半监督聚类（有标签数据的标签不是确定的，类似于：肯定不是xxx，很可能是yyy）
↕
无监督学习（聚类）

监督学习有特征，有标签，通过不断的学习具有哪些特征的数据属于哪一类来可以推断出其他的数据属于哪一类。

无监督学习有特征，无标签，可以将具有相同的特征的数据归为一类，而不必关心到底属于哪一类。

监督学习
回归：预测的变量是连续的。（预测房价）
分类：预测的变量是离散的。（预测肿瘤的良性和恶性）

无监督学习：
聚类 （鸡尾酒会）

强化学习：（回报函数）（”bad dog”,”good dog”）

因为二维平面坐标处理两个特征
如果是多个特征需要高维，可以用SVM映射，可以将数据映射到无限维空间中。

如果说入门那必须是要看吴教授的cs229这个课程了。
http://open.163.com/special/opencourse/machinelearning.html
建议下载讲义（英文不好的同学可以去找有人整理好的中文）。

刚开始学的话尽量的把不懂的概念先搞清楚，然后又不懂的数学概念：
比如说贝叶斯公式，最小二乘法，线性回归等要查一下它的背景以及都能用在哪一类为题上，机器学习重要的一点就是能够合适的选择对的模型来研究这个问题。

发现机器学习学好真的是不容易，这是一个深度和广度都很有挑战性的一门课程，所以小伙伴们一起努力吧。