今天学的机器学习部分,做一些总结：
机器学习的一般过程
机器学习方法
有监督学习（supervised learning）：从给定的有标注的训练数据集中学习出一 个函数（模型参数），当新的数据到来时可以根据这个函数预测结果。 常见任务包 括分类与回归。
分类：输出是类别标签
回归：输出是实数
无监督学习（unsupervised learning）：没有标注的训练数据集，需要根据样 本间的统计规律对样本集进行分析，常见任务如聚类等。
半监督学习（Semi-supervised learning）： 结合（少量的）标注训练数据和（大量的）未标 注数据来进行数据的分类学习。
两个基本假设：
• 聚类假设：处在相同聚类中的样本示 例有较大的可能拥有相同的标记。
• 流形假设：处于一个很小的局部区域 内的样本示例具有相似的性质，因此， 其标记也应该相似。
增强学习（Reinforcement Learning）：外部环境对输出只给出评价信息而非正确答案，学习机通过强化受奖励的动作来改善自身的性能。
如：让计算机学着去玩Flappy Bird
我们不需要设置具体的策略，比如先飞到上面，再飞到下面，我们只是需要给算法定一个“小目标”！比如当计算机玩的好的时候，我们就给
它一定的奖励，它玩的不好的时候，就给它一定的惩罚，在这个算法框架下，它就可以越来越好，超过人类玩家的水平。
多任务学习（Multi-task Learning）：把多个相关 （related）的任务放在一起同时学习。 单任务学习时，各个任务之间的模型空间（Trained Model）是相互 独立的，但现实世界中很多问题不能分解为一个一个独立的子问题， 且这样忽略了问题之间所包含的丰富的关联信息。多任务学习就是为 了解决这个问题而诞生的。多个任务之间共享一些因素，它们可以在 学习过程中，共享它们所学到的信息，相关联的多任务学习比单任务 学习具备更好的泛化（generalization）效果。
利用点：
搜素引擎：网页、图片、视频、新闻、学术、地图
信息推荐：新闻、商品、游戏、书籍
图片识别：人像、用品、动物、交通工具
用户分析：社交网络、影评、商品评论 机
器翻译、摘要生成……
生物信息学……
机器学习准备
数据清洗：
数据采样
数据集拆分
特征选择：
特征降维
特征编码
规范化
举例子：
以下是扩展：
