机器学习总结（1）—开篇

前言 

　　过去几个月，一直在学习机器学习模型的知识，众所周知，输入只是学习的一部分，输出可以帮助自己更熟练地掌握概念和知识。把一个复杂的事物简单的讲述出来，才能够证明真正弄懂了这个知识。所以我将在博客中尽量简单地把这些模型讲述出来，以加深自己的掌握，也为他人提供一点点参考。在此感谢大神刘建平Pinard的博客，如有任何疑惑可参考该神博客。

正文—aba,aba

机器学习模型，包括有监督学习，无监督学习，强化学习三个大的部分。

　　有监督学习包括各种分类，回归算法，集成模型，也包括有监督的神经网络（有监督的意思是，训练集有标签，告诉了这是什么东西）

　　无监督学习，包括了聚类，关联，降维

　　强化学习我只知道它的基本目的是最优化策略（突破局部最优），比如可以用来训练下棋。基本思想是设置短期回报reward函数和长期回报value来训练当前的动作。基本数学方法是设置一个期望函数，通过环境动作，最大化期望函数。由于我了解得并不深入，就不赘述了。

　　机器学习方法用来做推荐系统，于是有了推荐系统的一系列算法。做NLP于是有了该方向的一系列算法。用来做计算机视觉同样如此。人们在不同的领域应用机器学习方法，对算法做一些更改优化，以适应各自领域，这使得机器学习有了庞大的分支。

　　但从简单来说，一个模型，最重要的东西就是，模型的输入，定义目标函数（损失函数），优化方法，模型输出。了解了这些东西模型迎刃而解，也就了解了它到底用来做什么，并且怎么做到的。所以我之后的模型介绍尽量都按照这个思路进行。

　　本篇完结撒花。