機器學習總結

機器學習(maching learning)是什麼？

總的來講就是教計算機怎麼認識圖片、天然語言等，如今主要是視覺，和聽覺。

什麼是神經網絡？

1.生物神經網絡：
通常指生物的大腦神經元，細胞，觸點等組成的網絡，用於產生生物的意識，幫助生物進行思考和行動。

2.人工神經網絡：
（Artificial Neural Networks）簡稱ANNS 也叫（Connection Model）鏈接模型。它是一種模仿動物神經網絡行爲特徵，進行分佈式並行信息處理的算法數學模型。這種網絡依靠系統的複雜程度，經過調整內部大量節點之間相互鏈接的關係，從而達處處理信息的目的。

3.神經網絡是在八九十年代就出現了，只是由於那時候計算機很慢，研究的成果找不到什麼應用場景，因此在十年前神經網絡基本在機器學習領域中消失了。但幾年後差很少在2009年神經網絡應用於語音識別，2012年應用於機器視覺，隨着大數據以及快且便宜的GPU出現，神經網絡又復甦了。

3.神經網絡是一種運算模型，由大量的節點（或稱「神經元」，或「單元」）和之間相互聯接構成。每一個節點表明一種特定的輸出函數，稱爲激勵函數（activation function）。每兩個節點間的鏈接都表明一個對於經過該鏈接信號的加權值，稱之爲權重（weight），這至關於人工神經網絡的記憶。網絡的輸出則依網絡的鏈接方式，權重值和激勵函數的不一樣而不一樣。而網絡自身一般都是對天然界某種算法或者函數的逼近，也多是對一種邏輯策略的表達。人工神經網絡一般是經過一個基於數學統計學類型的學習方法（Learning Method）得以優化，因此人工神經網絡也是數學統計學方法的一種實際應用，經過統計學的標準數學方法咱們可以獲得大量的能夠用函數來表達的局部結構空間，另外一方面在人工智能學的人工感知領域，咱們經過數學統計學的應用能夠來作人工感知方面的決定問題(也就是說經過統計學的方法，人工神經網絡可以相似人同樣具備簡單的決定能力和簡單的判斷能力)，這種方法比起正式的邏輯學推理演算更具備優點。

4.神經網絡是模仿大腦的神經元，當外界刺激達到必定的閥值(bias)時，神經元纔會受刺激，影響下一個神經元。超過閾值，就會引發某一變化，不超過閾值，不管是多少，都不產生影響。輸入層（INPUT），這層的神經元負責接收數據，不處理數據，因此沒有閾值。輸出層（OUTPUT），有閾值。根據網絡的輸入狀況來設置閾值。

機器學習的目的

讓機器能作出正確的判斷與決策！

擬合（fitting）

先說 過擬合、最優擬合、欠擬合。用顧名思義的方法理解
過擬合：A去模仿b模仿（學習）的太像太像了，把A的優勢與缺點都模仿（學習去了）。
最優擬合：A去模仿（學習）B只模仿（學習）最關鍵且必需要的特徵。
欠擬合：讓A去模仿（學習）B，A堅持走本身的個性化路線。

迴歸（regression）與分類（classify）

定量的輸出結果叫回歸，也叫連續性預測。目的是選擇決策邊界。
定性的輸出結果叫分類，也叫離散性預測。目的是尋找最優擬合。
迴歸是迴歸分類是分類，去評價他們用的方法天然也各有不一樣。