课程学习心得
经过了五周的学习，我们对模式识别和机器学习的概念有了基础的认识，也对基本的几个分类器有了初步的了解。
模式识别和机器学习，模式识别应用机器学习的结果，对一些问题的情况进行判断，机器学习就是训练模型。
感觉这一段时间学到的东西并不多，但是也算打开了一个新的大门，之前一直觉得机器学习，人工智能非常神奇，为啥一个公式就能出结果，现在看来也就是那样。
距离
主要学了各种距离，用于判断各种的相似度，诸如余弦距离，马氏距离，欧氏距离。
模型评估方法
留出法，K折交叉验证，留一验证
模型评估指标
准确度(Accuracy)，精度(Precision)，召回率(Recall)，F-Score，混淆矩阵，PR曲线，ROC曲线
分类器
MED分类器，MICD分类器，MAP分类器，贝叶斯分类器
前沿技术
说到前沿技术，我的确不太了解，毕竟不是专业这个方向的。
目前，物联网，边缘计算比较火热，IoT与人工智能的结合，也逐步走来。
IoT 应用程序能够快速响应本地事件，则必须以非常低的延迟获得推理结果，但这时如果把数据发送至云端，再等待云端的推理决策，这个过程就很难满足一些业务场景的需求。
但是，仅使用云计算来部署人工智能的方式，与将云计算与边缘计算有效结合起来应用人工智能的方式截然不同。数据科学家依靠云计算来摄取和存储大量数据集，并识别数据中的模式和关系，在建立模型的整个过程中，训练和优化机器学习模型需要大量计算资源，因此与云计算是天然良配。
而实际上，最终的、经过优化的机器学习模型在推理的过程中并不需要太多的资源。所以为了确保 IoT 应用程序以非常低的延迟获得推理结果，我们就可以把训练放在云端，推理放在边缘侧，以达到利用云端去训练机器学习模型，利用边缘设备实时进行推理，甚至在没有互联网的环境中产生数据时，也能实现高速响应业务变化并作出决策。
我觉得，难点主要集中在IoT设备的资源有限，无法支撑起高性能的计算。
上面就是我了解到的技术。由于对这方便了解不深，很难说出什么有深度的看法。