? ? ? ?今天開始學(xué)習(xí)機(jī)器學(xué)習(xí)，在網(wǎng)上找了很多視頻還有書籍。由于本人不是計(jì)算機(jī)專業(yè)的學(xué)生，基礎(chǔ)知識還是比較薄弱，但我非常想學(xué)習(xí)機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)。最后還是選擇了麥子學(xué)院的彭亮老師的《機(jī)器學(xué)習(xí)基礎(chǔ)介紹》（以后簡稱機(jī)器學(xué)習(xí)課程）。說的挺好的，主要是通俗易懂。還選擇了美國作者M(jìn)iroslav Kubat的著作《機(jī)器學(xué)習(xí)導(dǎo)論》（以后簡稱機(jī)器學(xué)習(xí)書籍），再結(jié)合網(wǎng)絡(luò)資源先學(xué)習(xí)一些基礎(chǔ)課程，再開始我的深度學(xué)習(xí)之路吧。

1.1 機(jī)器學(xué)習(xí)介紹

本文主要是結(jié)合機(jī)器學(xué)習(xí)課程，以及網(wǎng)絡(luò)資源了解機(jī)器學(xué)習(xí)?？偨Y(jié)的不是太好，希望大家多多指教。

1，機(jī)器學(xué)習(xí) （Machine Learning, ML)

1.1 概念：多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。

1.2 學(xué)科定位：人工智能(Artificial?Intelligence, AI）的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，它主要使用歸納、綜合而不是演繹。

1.3 定義：探究和開發(fā)一系列算法來如何使計(jì)算機(jī)不需要通過外部明顯的指示，而可以自己通過數(shù)據(jù)來學(xué)習(xí)，建模，并且利用建好的模型和新的輸入來進(jìn)行預(yù)測的學(xué)科。

? ? ? 學(xué)習(xí)是人類具有的一種重要智能行為，但究竟什么是學(xué)習(xí)，長期以來卻眾說紛紜。社會(huì)學(xué)家、邏輯學(xué)家和心理學(xué)家都各有其不同的看法。

? ? ?(1)Arthur Samuel (1959): 一門不需要通過外部程序指示而讓計(jì)算機(jī)有能力自我學(xué)習(xí)的學(xué)科

? ? ?(2)Langley（1996) ： “機(jī)器學(xué)習(xí)是一門人工智能的科學(xué)，該領(lǐng)域的主要研究對象是人工智能，特別是如何在經(jīng)驗(yàn)學(xué)習(xí)中改善具體算法的性能”

? ? ?(3)Tom Michell (1997): ?“機(jī)器學(xué)習(xí)是對能通過經(jīng)驗(yàn)自動(dòng)改進(jìn)的計(jì)算機(jī)算法的研究”

1.4學(xué)習(xí)：針對經(jīng)驗(yàn)E (experience) 和一系列的任務(wù) T (tasks) 和一定表現(xiàn)的衡量 P，如果隨之經(jīng)驗(yàn)E的積累，針對定義好的任務(wù)T可以提高表現(xiàn)P，就說計(jì)算機(jī)具有學(xué)習(xí)能力。

2. 機(jī)器學(xué)習(xí)的應(yīng)用：

機(jī)器學(xué)習(xí)已經(jīng)有了十分廣泛的應(yīng)用，例如：數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、自然語言處理、生物特征識別、搜索引擎、醫(yī)學(xué)診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰(zhàn)略游戲和機(jī)器人運(yùn)用。

3. 發(fā)展史

機(jī)器學(xué)習(xí)是人工智能研究較為年輕的分支，它的發(fā)展過程大體上可分為4個(gè)時(shí)期。

? ? ? 第一階段是在20世紀(jì)50年代中葉到60年代中葉，屬于熱烈時(shí)期。

? ? ? 第二階段是在20世紀(jì)60年代中葉至70年代中葉，被稱為機(jī)器學(xué)習(xí)的冷靜時(shí)期。

? ? ? 第三階段是從20世紀(jì)70年代中葉至80年代中葉，稱為復(fù)興時(shí)期。

? ? ? 機(jī)器學(xué)習(xí)的最新階段始于1986年。

4. 分類

基于學(xué)習(xí)策略的分類　

? ? ? ?學(xué)習(xí)策略是指學(xué)習(xí)過程中系統(tǒng)所采用的推理策略。一個(gè)學(xué)習(xí)系統(tǒng)總是由學(xué)習(xí)和環(huán)境兩部分組成。由環(huán)境（如書本或教師）提供信息，學(xué)習(xí)部分則實(shí)現(xiàn)信息轉(zhuǎn)換，用能夠理解的形式記憶下來，并從中獲取有用的信息。在學(xué)習(xí)過程中，學(xué)生（學(xué)習(xí)部分）使用的推理越少，他對教師（環(huán)境）的依賴就越大，教師的負(fù)擔(dān)也就越重。學(xué)習(xí)策略的分類標(biāo)準(zhǔn)就是根據(jù)學(xué)生實(shí)現(xiàn)信息轉(zhuǎn)換所需的推理多少和難易程度來分類的，依從簡單到復(fù)雜，從少到多的次序分為以下六種基本類型：

1）機(jī)械學(xué)習(xí)?(Rote learning)

? ? ? ?學(xué)習(xí)者無需任何推理或其它的知識轉(zhuǎn)換，直接吸取環(huán)境所提供的信息。如塞繆爾的跳棋程序，紐厄爾和西蒙的LT系統(tǒng)。這類學(xué)習(xí)系統(tǒng)主要考慮的是如何索引存貯的知識并加以利用。系統(tǒng)的學(xué)習(xí)方法是直接通過事先編好、構(gòu)造好的程序來學(xué)習(xí)，學(xué)習(xí)者不作任何工作，或者是通過直接接收既定的事實(shí)和數(shù)據(jù)進(jìn)行學(xué)習(xí)，對輸入信息不作任何的推理。

2）示教學(xué)習(xí)?(Learning from instruction或Learning by being told)

? ? ? ?學(xué)生從環(huán)境（教師或其它信息源如教科書等）獲取信息，把知識轉(zhuǎn)換成內(nèi)部可使用的表示形式，并將新的知識和原有知識有機(jī)地結(jié)合為一體。所以要求學(xué)生有一定程度的推理能力，但環(huán)境仍要做大量的工作。教師以某種形式提出和組織知識，以使學(xué)生擁有的知識可以不斷地增加。這種學(xué)習(xí)方法和人類社會(huì)的學(xué)校教學(xué)方式相似，學(xué)習(xí)的任務(wù)就是建立一個(gè)系統(tǒng)，使它能接受教導(dǎo)和建議，并有效地存貯和應(yīng)用學(xué)到的知識。不少專家系統(tǒng)在建立知識庫時(shí)使用這種方法去實(shí)現(xiàn)知識獲取。示教學(xué)習(xí)的一個(gè)典型應(yīng)用例是FOO程序。

3）演繹學(xué)習(xí)?(Learning by deduction)

? ? ? ?學(xué)生所用的推理形式為演繹推理。推理從公理出發(fā)，經(jīng)過邏輯變換推導(dǎo)出結(jié)論。這種推理是"保真"變換和特化(specialization)的過程，使學(xué)生在推理過程中可以獲取有用的知識。這種學(xué)習(xí)方法包含宏操作(macro-operation)學(xué)習(xí)、知識編輯和組塊(Chunking)技術(shù)。演繹推理的逆過程是歸納推理。

4）類比學(xué)習(xí) (Learning by analogy)

? ? ? ?利用二個(gè)不同領(lǐng)域（源域、目標(biāo)域）中的知識相似性，可以通過類比，從源域的知識（包括相似的特征和其它性質(zhì)）推導(dǎo)出目標(biāo)域的相應(yīng)知識，從而實(shí)現(xiàn)學(xué)習(xí)。類比學(xué)習(xí)系統(tǒng)可以使一個(gè)已有的計(jì)算機(jī)應(yīng)用系統(tǒng)轉(zhuǎn)變?yōu)檫m應(yīng)于新的領(lǐng)域，來完成原先沒有設(shè)計(jì)的相類似的功能。

? ? ? ?類比學(xué)習(xí)需要比上述三種學(xué)習(xí)方式更多的推理。它一般要求先從知識源（源域）中檢索出可用的知識，再將其轉(zhuǎn)換成新的形式，用到新的狀況（目標(biāo)域）中去。類比學(xué)習(xí)在人類科學(xué)技術(shù)發(fā)展史上起著重要作用，許多科學(xué)發(fā)現(xiàn)就是通過類比得到的。例如著名的盧瑟福類比就是通過將原子結(jié)構(gòu)（目標(biāo)域）同太陽系（源域）作類比，揭示了原子結(jié)構(gòu)的奧秘。

5）基于解釋的學(xué)習(xí)?(Explanation-based learning, EBL)

? ? ? 學(xué)生根據(jù)教師提供的目標(biāo)概念、該概念的一個(gè)例子、領(lǐng)域理論及可操作準(zhǔn)則，首先構(gòu)造一個(gè)解釋來說明為什該例子滿足目標(biāo)概念，然后將解釋推廣為目標(biāo)概念的一個(gè)滿足可操作準(zhǔn)則的充分條件。EBL已被廣泛應(yīng)用于知識庫求精和改善系統(tǒng)的性能。

? ? ? 著名的EBL系統(tǒng)有迪喬恩（G.DeJong）的GENESIS,米切爾（T.Mitchell）的LEXII和LEAP, 以及明頓（S.Minton）等的PRODIGY。

6）歸納學(xué)習(xí)?(Learning from induction)

? ? ? 歸納學(xué)習(xí)是由教師或環(huán)境提供某概念的一些實(shí)例或反例，讓學(xué)生通過歸納推理得出該概念的一般描述。這種學(xué)習(xí)的推理工作量遠(yuǎn)多于示教學(xué)習(xí)和演繹學(xué)習(xí)，因?yàn)榄h(huán)境并不提供一般性概念描述（如公理）。從某種程度上說，歸納學(xué)習(xí)的推理量也比類比學(xué)習(xí)大，因?yàn)闆]有一個(gè)類似的概念可以作為"源概念"加以取用。歸納學(xué)習(xí)是最基本的，發(fā)展也較為成熟的學(xué)習(xí)方法，在人工智能領(lǐng)域中已經(jīng)得到廣泛的研究和應(yīng)用。

5.?機(jī)器學(xué)習(xí)任務(wù)

機(jī)器學(xué)習(xí)任務(wù)通常分為兩大類，取決于學(xué)習(xí)系統(tǒng)是否存在學(xué)習(xí)“信號”或“反饋”：

• 監(jiān)督學(xué)習(xí)：計(jì)算機(jī)提供示例輸入和他們期望的輸出，由“教師”給出，目標(biāo)是學(xué)習(xí)將輸入映射到輸出的一般規(guī)則。作為特殊情況，輸入信號只能部分提供，或者僅限于特殊反饋：
  • 半監(jiān)督式學(xué)習(xí)：計(jì)算機(jī)只能得到一個(gè)不完整的訓(xùn)練信號：訓(xùn)練集中有一些（經(jīng)常是很多）目標(biāo)輸出缺失。
  • 主動(dòng)學(xué)習(xí)：計(jì)算機(jī)只能獲得有限的一組實(shí)例（基于預(yù)算）的培訓(xùn)標(biāo)簽，并且還必須優(yōu)化其所選對象以獲取標(biāo)簽。交互使用時(shí)，這些可以呈現(xiàn)給用戶進(jìn)行標(biāo)記。
  • 強(qiáng)化學(xué)習(xí)：訓(xùn)練數(shù)據(jù)（以獎(jiǎng)勵(lì)和懲罰的形式）僅作為對動(dòng)態(tài)環(huán)境中的程序行為的反饋，例如駕駛汽車或與對手玩游戲。^[5]：3
• 無監(jiān)督學(xué)習(xí)：沒有標(biāo)簽給學(xué)習(xí)算法，只留下它自己的輸入結(jié)構(gòu)。無監(jiān)督學(xué)習(xí)本身可以是一個(gè)目標(biāo)（發(fā)現(xiàn)數(shù)據(jù)中的隱藏模式）或達(dá)到目的的一種手段（特征學(xué)習(xí)）。

6. 研究領(lǐng)域

機(jī)器學(xué)習(xí)領(lǐng)域的研究工作主要圍繞以下三個(gè)方面進(jìn)行：

（1）面向任務(wù)的研究

研究和分析改進(jìn)一組預(yù)定任務(wù)的執(zhí)行性能的學(xué)習(xí)系統(tǒng)。

（2）認(rèn)知模型

研究人類學(xué)習(xí)過程并進(jìn)行計(jì)算機(jī)模擬。

（3）理論分析

從理論上探索各種可能的學(xué)習(xí)方法和獨(dú)立于應(yīng)用領(lǐng)域的算法

機(jī)器學(xué)習(xí)是繼專家系統(tǒng)之后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)計(jì)算的核心研究課題之一。現(xiàn)有的計(jì)算機(jī)系統(tǒng)和人工智能系統(tǒng)沒有什么學(xué)習(xí)能力，至多也只有非常有限的學(xué)習(xí)能力，因而不能滿足科技和生產(chǎn)提出的新要求。對機(jī)器學(xué)習(xí)的討論和機(jī)器學(xué)習(xí)研究的進(jìn)展，必將促使人工智能和整個(gè)科學(xué)技術(shù)的進(jìn)一步發(fā)展 。

7. 方法

主要文章：機(jī)器學(xué)習(xí)算法列表

決策樹學(xué)習(xí)

主要文章：決策樹學(xué)習(xí) 決策樹學(xué)習(xí)使用決策樹作為預(yù)測模型，該模型將關(guān)于項(xiàng)目的觀察結(jié)果映射到關(guān)于項(xiàng)目目標(biāo)值的結(jié)論。

關(guān)聯(lián)規(guī)則學(xué)習(xí)

主要文章：關(guān)聯(lián)規(guī)則學(xué)習(xí) 關(guān)聯(lián)規(guī)則學(xué)習(xí)是一種發(fā)現(xiàn)大型數(shù)據(jù)庫中變量之間有趣關(guān)系的方法。

人工神經(jīng)網(wǎng)絡(luò)

主要文章：人工神經(jīng)網(wǎng)絡(luò) 通常被稱為“神經(jīng)網(wǎng)絡(luò)”（NN）的人工神經(jīng)網(wǎng)絡(luò)（ANN）學(xué)習(xí)算法是一種學(xué)習(xí)算法，其被生物神經(jīng)網(wǎng)絡(luò)模糊地啟發(fā)。計(jì)算是根據(jù)一組相互關(guān)聯(lián)的人造神經(jīng)元組成的，使用連接方法計(jì)算處理信息。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是非線性?統(tǒng)計(jì)?數(shù)據(jù)建模工具。它們通常用于建模輸入和輸出之間的復(fù)雜關(guān)系，查找數(shù)據(jù)模式，或者捕獲未知聯(lián)合概率分布中的統(tǒng)計(jì)結(jié)構(gòu)?觀察變量之間。

深度學(xué)習(xí)

主要文章：深入學(xué)習(xí) 過去幾年硬件價(jià)格的下跌以及個(gè)人使用的GPU的發(fā)展促進(jìn)了深度學(xué)習(xí)概念的發(fā)展，深度學(xué)習(xí)概念由人工神經(jīng)網(wǎng)絡(luò)中的多個(gè)隱藏層組成。這種方法試圖模擬人類大腦處理光線和聲音的方式，以視覺和聽覺。深度學(xué)習(xí)的一些成功應(yīng)用是計(jì)算機(jī)視覺和語音識別。[26]

歸納邏輯編程

主要文章：歸納邏輯編程 歸納邏輯編程（ILP）是一種使用邏輯編程作為輸入示例，背景知識和假設(shè)的統(tǒng)一表示的規(guī)則學(xué)習(xí)方法。給定已知背景知識的編碼以及作為事實(shí)的邏輯數(shù)據(jù)庫表示的一組示例，ILP系統(tǒng)將推導(dǎo)出假設(shè)的邏輯程序，其包含所有積極而沒有負(fù)面的例子。歸納編程是一個(gè)相關(guān)的領(lǐng)域，它考慮任何類型的編程語言來表示假設(shè)（而不僅僅是邏輯編程），例如功能程序。

支持向量機(jī)

主要文章：支持矢量機(jī)器 支持向量機(jī)（SVM）是一組用于分類和回歸的相關(guān)監(jiān)督學(xué)習(xí)方法。給定一組訓(xùn)練樣例，每個(gè)訓(xùn)練樣例被標(biāo)記為屬于兩類之一，SVM訓(xùn)練算法建立一個(gè)模型，預(yù)測新樣例是屬于一個(gè)類別還是屬于另一個(gè)類別。

聚類

主要文章：聚類分析 聚類分析是將一組觀測值分配到子集（稱為聚類）中，以便同一聚類內(nèi)的觀察結(jié)果根據(jù)一些預(yù)先指定的標(biāo)準(zhǔn)或標(biāo)準(zhǔn)相似，而從不同聚類得到的觀察結(jié)果則不相似。不同的聚類技術(shù)對數(shù)據(jù)的結(jié)構(gòu)做出不同的假設(shè)，通常由一些相似性度量來定義，并且例如通過內(nèi)部緊密度（相同群集的成員之間的相似度）和不同群集之間的分離來評估。其他方法基于估計(jì)的密度和圖形連通性。聚類是一種無監(jiān)督學(xué)習(xí)的方法，以及統(tǒng)計(jì)?數(shù)據(jù)分析的常用技術(shù)。

貝葉斯網(wǎng)絡(luò)

主要文章：貝葉斯網(wǎng)絡(luò) 貝葉斯網(wǎng)絡(luò)，信念網(wǎng)絡(luò)或有向無環(huán)圖模型是概率圖模型，其通過有向無環(huán)圖（DAG）表示一組隨機(jī)變量及其條件獨(dú)立性。例如，貝葉斯網(wǎng)絡(luò)可以代表疾病和癥狀之間的概率關(guān)系。鑒于癥狀，網(wǎng)絡(luò)可用于計(jì)算各種疾病存在的概率。存在執(zhí)行推理和學(xué)習(xí)的有效算法。

強(qiáng)化學(xué)習(xí)

主要文章：強(qiáng)化學(xué)習(xí) 強(qiáng)化學(xué)習(xí)關(guān)注的是代理人應(yīng)該如何在環(huán)境中采取行動(dòng)，以最大化某些長期獎(jiǎng)勵(lì)的概念。強(qiáng)化學(xué)習(xí)算法試圖找到一種策略，將世界狀態(tài)映射到代理應(yīng)該在這些狀態(tài)下采取的行動(dòng)。強(qiáng)化學(xué)習(xí)不同于監(jiān)督式學(xué)習(xí)問題，因?yàn)椴粫?huì)出現(xiàn)正確的輸入/輸出對，也不會(huì)明確地糾正次優(yōu)操作。

表示學(xué)習(xí)

主要文章：表示學(xué)習(xí) 幾種學(xué)習(xí)算法，主要是無監(jiān)督學(xué)習(xí)算法，旨在發(fā)現(xiàn)訓(xùn)練期間提供的輸入的更好表示。經(jīng)典例子包括主成分分析和聚類分析。表示學(xué)習(xí)算法經(jīng)常嘗試保留輸入中的信息，但是以一種使其有用的方式進(jìn)行變換，通常作為執(zhí)行分類或預(yù)測之前的預(yù)處理步驟，允許重建來自未知數(shù)據(jù)生成分布的輸入，而不一定忠實(shí)于那種在分配下難以置信的配置。 流形學(xué)習(xí)算法試圖在約束下學(xué)習(xí)表示是低維的。稀疏編碼算法試圖在約束下學(xué)習(xí)表示稀疏（有許多零）。多線性子空間學(xué)習(xí)算法旨在直接從多維數(shù)據(jù)的張量表示中學(xué)習(xí)低維表示，而不用將其重構(gòu)為（高維）向量。[27]?深度學(xué)習(xí)算法會(huì)根據(jù)（或生成）較低級別的特征定義更高級別，更抽象的特征，從而發(fā)現(xiàn)多個(gè)級別的表示或特征層次結(jié)構(gòu)。有人認(rèn)為，智能機(jī)器就是學(xué)習(xí)一種能夠解釋觀察數(shù)據(jù)的變化的潛在因素的表示的一種表示。[28]

相似性和度量學(xué)習(xí)

主要文章：相似學(xué)習(xí) 在這個(gè)問題中，學(xué)習(xí)機(jī)被給予一對被認(rèn)為相似的例子和一對不太相似的對象。然后它需要學(xué)習(xí)能夠預(yù)測新對象是否相似的相似函數(shù)（或距離度量函數(shù)）。它有時(shí)用于推薦系統(tǒng)。

稀疏字典學(xué)習(xí)

主要文章：稀疏字典學(xué)習(xí) 在這種方法中，數(shù)據(jù)被表示為基函數(shù)的線性組合，并且系數(shù)被假定為稀疏的。

遺傳算法

主要文章：遺傳算法 遺傳算法（GA）是一種模仿自然選擇過程的搜索?啟發(fā)式算法，它使用諸如突變和交叉等方法來產(chǎn)生新的基因型，以期找到給定問題的良好解決方案。在機(jī)器學(xué)習(xí)中，遺傳算法在20世紀(jì)80年代和90年代發(fā)現(xiàn)了一些用途。[31]?[32]相反地，機(jī)器學(xué)習(xí)技術(shù)已被用于改善的遺傳和表現(xiàn)進(jìn)化算法。[33]

基于規(guī)則的機(jī)器學(xué)習(xí)

基于規(guī)則的機(jī)器學(xué)習(xí)是任何識別，學(xué)習(xí)或演變存儲(chǔ)，操縱或應(yīng)用知識的“規(guī)則”的機(jī)器學(xué)習(xí)方法的總稱?；谝?guī)則的機(jī)器學(xué)習(xí)者的定義特征是識別和利用一組關(guān)系規(guī)則，這些關(guān)系規(guī)則共同表示系統(tǒng)捕獲的知識。這與其他機(jī)器學(xué)習(xí)者形成對比，其他機(jī)器學(xué)習(xí)者通常識別可以普遍應(yīng)用于任何實(shí)例以進(jìn)行預(yù)測的奇異模型。[34]基于規(guī)則的機(jī)器學(xué)習(xí)方法包括學(xué)習(xí)分類器系統(tǒng)，關(guān)聯(lián)規(guī)則學(xué)習(xí)，和人工免疫系統(tǒng)。

學(xué)習(xí)分類器系統(tǒng)

主要文章：學(xué)習(xí)分類器系統(tǒng) 學(xué)習(xí)分類器系統(tǒng)（LCS）是一種基于規(guī)則的機(jī)器學(xué)習(xí)算法，它將發(fā)現(xiàn)組件（通常是遺傳算法）與學(xué)習(xí)組件（執(zhí)行監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)或無監(jiān)督學(xué)習(xí)）相結(jié)合。他們試圖找出一組依賴于上下文的規(guī)則，以分段方式共同存儲(chǔ)和應(yīng)用知識，以進(jìn)行預(yù)測。[35]

8. 置業(yè)市場需求：

LinkedIn所有職業(yè)技能需求量第一：機(jī)器學(xué)習(xí)，數(shù)據(jù)挖掘和統(tǒng)計(jì)分析人才

參考資料：

[1] 麥子學(xué)院“機(jī)器學(xué)習(xí)基礎(chǔ)介紹”視頻http://www.maiziedu.com/course/373/

[2] 百度百科“機(jī)器學(xué)習(xí)”https://baike.baidu.com/item/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/217599?fr=aladdin

[3]維基百科“機(jī)器學(xué)習(xí)”https://en.wikipedia.org/wiki/Machine_learning

? ? ? ?本博文是博主個(gè)人學(xué)習(xí)時(shí)的一些記錄，不保證是為原創(chuàng)，文章加入了轉(zhuǎn)載的源地址還有個(gè)別文章是匯總網(wǎng)上多份資料所成，在這之中也必有疏漏未加標(biāo)注者，如有侵權(quán)請與博主聯(lián)系。

轉(zhuǎn)載于:https://www.cnblogs.com/hangliu/p/9026829.html

總結(jié)

以上是生活随笔為你收集整理的麦子学院学习视频之机器学习(1):1.1 机器学习介绍的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。