Cap1：机器学习
*思路：
一个分类器区分普通邮件和垃圾邮件。通过给分类器输入很多垃圾邮件让分类器自身提取特征进行统计归纳，因此得以区分。在这个训练过程中，垃圾邮件被称为训练样本。总结出的判断标准称为分类模型。
*监督学习（有人参与训练机器）：
①回归：（可称为解题方法也可说为学习方法）“由果朔因”。可分为线性回归（y=wx+b）与非线性回归(逻辑回归，输出是或否）
②分类：一个贴标签的过程
分类的训练过程和回归的训练过程一样，都是极为套路化的程序：
第一，输入样本和分类标签。
第二，建立映射假说的某个y=f{x） 的模型。
第三，求解出全局的损失函数 Loss 和待定系数 w 的映射关系， Loss=g(w）。
第四，通过迭代优化逐步降低 Loss，最终找到一个 w 能使召回率和精确率满足当前场 景需要。 注意，这里尤其指在验证数据集上的表现。
*非监督学习：
聚类：比较常用的聚类算法有 K-Means、DBSCAN等几种， 基本思路是利用每个向量之间的“距离”一一空间中的欧氏距离或者曼哈顿距离，从远近判断是否从属于同一类别。
**思考：聚类和分类的区别：
①聚类是非监督学习过程，分类是需要训练的监督学习过程
②聚类偏向运用算法将一堆数据进行分类，例如三个一维样本，180，179与150，会将180与179放为一类，150再放为一类。而分类是本身就是一种算法，经过训练后，输入一个样本，输出一个标签。
*综合应用：
①用卷积神经网络对图像进行风格处理
②无人驾驶汽车（训练量大才能保证万无一失）
Cap2：深度学习
*神经网络
*神经元
如果神经元要用y=wx+b来表示，
这种方式也是神经元最核心部分对 x 所做的线性处理，其中 x 是一个 1 x n 的矩阵，而 w 是一个 n x 1 的权重矩阵， b 是偏置项。（什么玩意儿。。）
神经元通常由两个部分组成，一个是“线性模型”，另一个是“激励函数”。激励函数在一个神经元当中跟随在y=wx+b 函数之后，用来加入一些非线性的因素。