一.什么是机器学习？更通俗的理解是：机器学习能够自动地从数据中学习“程序”，而这个程序不是人来编写的。　　平面上有两类点，黄色代表类别a，蓝色代表类别b。这时我们希望能够找到平面上的一条曲线，将两个类别的点分成两个平面，使类别a属于平面A，类别b属于平面B

什么是集体智慧?为了创造新的想法，而将一群人的行为、偏好、或者思想组合在一起。这使得wikipedia成为了世界上最大的百科全书。机器学习方法如下：它没有为每个特定的任务编写相应的程序，而是收集大量事例，为给定输入指定正确输出。该程序与手写程序不同，可能包

什么是监督学习？什么是无监督学习？逻辑回归在线性回归的基础上，将每条样本打分，然后设置一个阈值，分为一个类别，而没有达到这个阈值的分位另一个类别。习惯上，我们用0，1表示不同类别0为负例，1位正例。为了将Z值转换为有界的概率值，我们引入sigmoid函数。

Y = OneHotEncoder().fit_transform.todense() #独热编码OneHotEncoder(). X=X_data.reshape #张量结构，转换为图片的格式。绘制模型结构图，并说明设计依据。

深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。在原来多层神经网络的基础上，加入了特征学习部分，这部分是模仿人脑对信号处理上的分级的。以digit0为例，进行手工演算。

决策树是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数据，在解决各种问题时都有良好表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域

首先，展示一个复杂的机器学习系统是如何被组合起来的；最后，介绍一下照片OCR问题，展现机器学习中有用的想法和概念，其中之一就是应用在计算机视觉问题中，另一个是人工数据合成的概念。讨论一种滑动窗口分类器的方法。标准的做法是绘制一个学习曲线来确保有一个低偏差、

它将数据集D划分为两个互斥的集合，其中一个集合作为训练集S，S的补集作为测试集T。在S上训练出模型后，用T来评估其测试误差，作为对泛化的估计。每次选择k-1个子集作为训练集，余下的第k个子集作为测试集合。通常称为“k折交叉验证”。为了进一步比较两个算法性能

人工智能最先看起来是很傻瓜似的。数据不能解决所有问题，需要有能够学习自身的算法.深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

可以看到conda在windows上不支持直接装xgboost这个包的，取而代之的是py-xgboost这个包:

　　对大量的观测数据进行处理，从而得到比较符合事物内部规律的数学表达式。我们假设线性回归的噪声服从均值为0的正态分布。也就是说当噪声符合正态分布时，其因变量必然也符合正态分布。在用线性回归模型拟合数据之前，首先要求数据应符合或近似符合正态分布，否则得到的拟

基于.NET的开源生态系统，用于数据科学、机器学习和AI。SciSharp将所有主要的ML/AI框架从Python引入.NET.我们的使命是确保在获取数据科学、机器学习和AI的机会时，他们不必将其遗忘。我们正在有效的改变这种状况。SciSharp在.NET

机器学习可分为：有监督、无监督、强化学习。，使得网络下一次能够预测更精准。目前来看，TensorFlow 拥有完备的解决方案和用户基础，在工业界使用广泛；PyTorch 得益于其精简灵活的接口设计，可以快速设计调试网络模型，在学术界应用广泛。

一. 线性回归是什么？　　线性回归就是线性的回归。　　我对于视觉记忆比较深刻，所以我们先上图。　　我们回归的目的就是研究横坐标和纵坐标的关系，当然我们首先考虑这个关系是不是线性的，换句话说这些点关系可不可以用多项式表示。w, b 分别是直线的斜率和截据，也

data science，最近看了国内外很多相关的书，真的是越看越觉得懂得少，这个学科太交叉性学科了，内容量太大，说实话，真的不容易讲的深入浅出。如果你对数据建模感兴趣，那么可以选择偏向算法的方向，比如数值计算，比如机器学习深入下去/如果你对数据可视化比较

实际上，太多的样本数并不会使学习算法更加的优秀。要尝试调整你的系数：。　　1.使用更少的特征。　　2.增加多项式。　　1.将样本打乱，并将其中一部分作为训练样本，剩下的作为测试样本，来判断是否出现了过拟合。对于线性回归，训练集来得出相应次数下的theta，

预测1：90%的手动IT操作和数据管理任务将完全实现自动化，企业将迎来一个全新的IT创新时代。甲骨文相信，在云的推动下，这些前沿技术将日益普及，走向主流。甲骨文表示，如今许多现代化企业已经认识到，并且正在积极部署AI技术来帮助他们提高工作效率、提高生产力并

机器学习的算法分为两大类：监督学习和无监督学习。监督学习即在机器学习的过程中提供对错指示。这一类学习主要应用于分类与预测。监督学习的训练集要求包括输入和输出，也可以说包括特征和目标，训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。非监

实用性是本书的第一个基本出发点，书中介绍了近年来在工业界被广泛应 用的机器学习算法，这些算法经受了时间的考验，不但效果好而且使用方便。跟绝大多数机器学习类的图书不同，本书 还会介绍算法周边的一些工程架构及实现原理，比如如何实时地收集训练样本 和监控算法指标

本节内容所使用的数据都是来自于网络中，大家可以忽略具体的数据的意思，主要的了解TensorFlow的应用过程，不必过于纠结于模型的细节部分，模型的细节我会在随后的章节解释。