啦啦啦 今天开始机器学习的课程
在看斯坦福老师在网易公开课里讲的课，学习机器学习是会让人兴奋的
octave 与 matlab，看情况是不是要重新安装一下。
（但是我的主要目的还是要了解什么是机器学习，以及知道怎么在实际项目中使用这些思维）
1.监督学习，通过之前的特征量，预测下次有类似输入时的输出量。
第一节课，
监督学习：有标准答案的对新的情况进行预测
学习理论：这个自然是要学习的，感觉主要还是那些算法
无监督学习：聚类问题，找出特殊数据结构。3D图像呈现，原来那个声音分离的应用算法在2011年就已经出来了啊
强化学习：定义好与坏，倒着飞的直升机
第二节课，
监督学习中的批梯度下降算法，随机梯度下降算法，就看到各种偏导数，然后会逐渐逼近我们要求导的东西。
感觉就是从之前的模型中提取对应的特征量，然后对于新输入的东西进行计算预测。
然后今天还看了关于AI芯片和普通芯片的区别，机器学习关键还是并行计算。
然后GPU刚好可以支持，其次是不同cpu要执行算法上指令集限制运算量肯定没有AI芯片那种定制的强悍。
吴恩达老师，机器学习讲课分享之后才出名的吧。牛逼的人都是要会分享自己经验的。
第三节课，
拟合与欠拟合，局部回归函数，logstic函数，最小二乘回归。（数学逼近，通过计算把模型逼近真实的实验数值）
这个让我想到了，唤醒模型的训练，需要依靠设备对应的录音来进行抓取特征量。所以整套方案可以解决。
第四节课，
牛顿方法，然后分享了推导过程以及分析方法~ 太多符号，总结就是看不懂
牛顿方法，看百度寻找函数解的方法。但
有个特点，像这些课反复出现正态分布（高斯分布），以及概率的曲线，泊松分布。
工作上：要对于某些场景进行建模，所以（需要找到几个已经使用机器学习运行的算法场景，来操作）
第五节课，
生成学习算法，我感觉对于图像，一张图像过来，然后通过不同的算法对这个图像进行计算分析。
然后在根据这些分析数据进行某些匹配，但感觉这个也还只是信号处理的一种呀。和机器学习没有什么关系
机器学习是根据概率进行最适匹配，泊松分布
贝叶斯分类算法，lapulasi平滑过渡（连续客场5场比赛都输，第六场获胜概率）
第六节课，
或许我只能坚持到这里啦
http://open.163.com/special/opencourse/machinelearning.html 这个是学习的网址
剩下的算法以及推导有
朴素贝叶斯算法
最优间隔分类器
顺序最小优化算法
经验风险最小化
特征选择
贝叶斯统计正则化
K-means算法
高斯混合模型
主成分分析法
奇异值分解
马尔科夫决策过程
离散与维数灾难
线性二次型调节控制
微分动态规划
策略搜索
(๑╹◡╹)ﾉ""" 就先这样，以后再来看啦