机器学习分类
精确学习 符号学习： 例子： 爸爸*爸爸=爷爷。 80 90 年代研究热点。现在基本已经不再研究。
模糊学习 归纳，基于数据做统计。因为大数据技术的发展而变得火热。
模糊学习的分类
数据-归纳，训练-模型-对新的数据，得出结论
督导学习 无督导学习
督导学习 标记
无督导 聚类
常见的机器学习的方法
线性回归是最基本的机器学习算法
房屋面积 房价 一组数据。 给出新的房屋面积，预测房价
回归与分类
Regression Classification
逻辑回归(分类) 置信度
线性回归可以通过sigmoid与逻辑回归统一起来。
神经元：每一个神经元就是一个线性回归函数。
神经网络：神经元连在一起就是神经网络
深度学习： 神经网络的层数，一般的机器学习的神经网络的层数大概在3 4 层，而深度学习的深度神经元网络可以达到70 80 层，仅模型本身，就可以达到几个G的大小。
神经网络，根基还是线性回归
决策树
概率方法 ： 贝叶斯网络？
简单的机器学习case
email 优先级判断问题：
线性可分问题，也就是说很多问题可能不是一个线性回归可以解决的问题：
feature维度越高，越大可能线性可分。
可以采用online逻辑回归算法(PA2)，判断email是否是高优先级的。
一个common的问题：如何针对不同的场景(输入数据的特点)，选择不同的机器学习的算法？
feature生成 选取 ，目前还是依赖于人的直观选择
但是这些选取的feature维度可以使用一些方法进行处理，比如：升维度 降维度(防止过度拟合，把相近的feature cluster) 离散化(年龄划分为青年中年老年等)
模型的调优：
训练集 验证集 测试集
调优的指标：
查准率 查全率 误分类代价
有了模型，才可以真正进行code层级的机器学习，从而涉及到下面的问题：
编程语言？机器学习平台
常见的平台：Spark MLlib
常见的语言：Scala Java python R
-------------------------- update -----------------------
与王刚的讨论：
现在大数据与机器学习的研究，主要分成了数据挖掘和机器学习两个部分。
现在对人工大脑的研究，主要集中在了深度神经元网络上。