机器学习总结

机器学习(maching learning)是什么？

总的来说就是教计算机怎么认识图片、自然语言等，现在主要是视觉，和听觉。

什么是神经网络？

1.生物神经网络：
一般指生物的大脑神经元，细胞，触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。

2.人工神经网络：
（Artificial Neural Networks）简称ANNS 也叫（Connection Model）连接模型。它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

3.神经网络是在八九十年代就出现了，只是因为那时候计算机很慢，研究的成果找不到什么应用场景，所以在十年前神经网络基本在机器学习领域中消失了。但几年后差不多在2009年神经网络应用于语音识别，2012年应用于机器视觉，随着大数据以及快且便宜的GPU出现，神经网络又复苏了。

3.神经网络是一种运算模型，由大量的节点（或称“神经元”，或“单元”）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。人工神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Method）得以优化，所以人工神经网络也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力)，这种方法比起正式的逻辑学推理演算更具有优势。

4.神经网络是模仿大脑的神经元，当外界刺激达到一定的阀值(bias)时，神经元才会受刺激，影响下一个神经元。超过阈值，就会引起某一变化，不超过阈值，无论是多少，都不产生影响。输入层（INPUT），这层的神经元负责接收数据，不处理数据，所以没有阈值。输出层（OUTPUT），有阈值。根据网络的输入情况来设置阈值。

机器学习的目的

让机器能做出正确的判断与决策！

拟合（fitting）

先说 过拟合、最优拟合、欠拟合。用顾名思义的方法理解
过拟合：A去模仿b模仿（学习）的太像太像了，把A的优点与缺点都模仿（学习去了）。
最优拟合：A去模仿（学习）B只模仿（学习）最关键且必须要的特征。
欠拟合：让A去模仿（学习）B，A坚持走自己的个性化路线。

回归（regression）与分类（classify）

定量的输出结果叫回归，也叫连续性预测。目的是选择决策边界。
定性的输出结果叫分类，也叫离散性预测。目的是寻找最优拟合。
回归是回归分类是分类，去评价他们用的方法自然也各有不同。