2022年四月第34本书
阅读速度4000字/分钟
算是不错的机器学习算法入门读物。
>> 本书的目标读者是想要学习机器学习的学生、程序员、研究人员或者爱好者，以及想要知道机器学习是什么、为什么和怎么用的所有读者。
◆ 1.1 什么是机器学习
>> 机器学习、人工智能和深度学习的目标都是让算法模拟“智能”，但层次范围不同。
◆ 1.3 机器学习的基本原理
>> 因为机器学习的过程不是让机器蹲在小板凳上读书识字，而是更接近于马戏团里的动物训练。
>> 拟合可以说是机器学习中最重要的概念之一，甚至有人认为机器学习算法中所谓的“学习”，本质就是拟合数据。在机器学习中，除了拟合外还有两个很重要的概念，分别为“欠拟合”和“过拟合”。欠拟合很好理解，就是学得还不像，算法模型的预测准确性不够。过拟合则正好相反，就是学得太过了。
◆ 1.4 机器学习的基本概念
>> 要开始进行机器学习，至少要准备三样东西。首先当然是数据，如果机器学习是一架机器，数据就是燃料，
>> 然后是假设函数，再然后是损失函数。把数据“喂”给假设函数，假设函数会“吐”出一个结果，我们也说过了，这个是预测结果。
◆ 3.1 线性回归：“钢铁直男”解决回归问题的正确方法
>> 学习思维三部曲的节奏：是什么（What）、为什么（Why）和怎么做（How）。
◆ 4.1 Logistic回归：换上“S型曲线马甲”的线性回归
>> 分类问题所要预测的不是数值，而是两个或两个以上的类别，机器学习算法所要完成的是预测输入属于哪个类别。
◆ 5.4 KNN分类算法的使用场景
>> 用KNN实现OCR主要分为三步：第一步确定文字所在位置区域，第二步提取特征，第三步通过KNN最近邻分类算法，判断所提取的相关特征属于哪个字符。
◆ 6.1 朴素贝叶斯：用骰子选择
>> 女生说的是有逻辑的！只不过与男生不一样，男生的逻辑偏重因果性，女生的逻辑偏重相关性。
◆ 8.1 支持向量机：线性分类器的“王者”
>> 距离是不同类别的天然间隔
>> 这些处于边缘的数据点就称为支持向量。支持向量是支持向量机的关注焦点，这也是支持向量机的由来。
◆ 8.2 支持向量机分类的算法原理
>> 核函数并没有那么深奥，它与前面接触的Logistics函数一样，功能就是映射，说穿了就是给线性“披”一层马甲，变成曲线或者曲面，Logistics函数就通过映射把直线变成了S型曲线。
◆ 10.1 用神经网络解决分类问题
>> 神经网络算法有“三宝”，神经元、激活函数和反向传播机制。
>> 在神经网络中，层通常由输入层、输出层和隐藏层组成：
● 直接接受输入数据的神经元是第一层，也称为输入层。
● 产生最终数据并输出到外部的是最后一层，也称为输出层。
● 其他神经元由于位于神经网络内部，既不直接接受输入，又不直接产生输出，所以统称为隐藏层。
网友评论