机器学习简介
1、机器学习
运用学习算法，利用所给的数据进训练，生成相应的模型。在面对新情况时，根据模型，给出正确的判断。
2、学习的定义
针对经验E (experience) 和一系列的任务 T (tasks) 和一定表现的衡量 P，如果随之经验E的积累，针对定义好的任务T可以提高表现P，就说计算机具有学习能力。
3、应用范围
语音识别、自动驾驶、语言翻译、计算机视觉、推荐系统、无人机、识别垃圾邮件等。
4、相关概念
训练集(training set/data)/训练样例（training examples): 用来进行训练，也就是产生模型或者算法的数据集
测试集(testing set/data)/测试样例 (testing examples)：用来专门进行测试已经学习好的模型或者算法的数据集
特征向量(features/feature vector)：属性的集合，通常用一个向量来表示，附属于一个实例
标记(label): c(x), 实例类别的标记
正例(positive example)
反例(negative example)
5、分类
有监督学习(supervised learning)： 训练集有类别标记(class label)
无监督学习(unsupervised learning)： 无类别标记(class label)
半监督学习（semi-supervised learning)：有类别标记的训练集 + 无标记的训练集
6、传统机器学习算法
决策树、K邻近算法、支持向量机、朴素贝叶斯、神经网络、Logistic回归算法，聚类等。
7、当前较火的机器学习方向
深度学习、强化学习、迁移学习等
算法讲解与代码实现：
传统机器学习算法及代码实现：
决策树-机器学习算法及代码实现
k邻近算法-机器学习算法及代码实现
支持向量机-机器学习算法及代码实现
神经网络-机器学习算法及代码实现
深度学习算法及代码实现：
感知机-从零开始学深度学习
CNN入门详解及TensorFlow源码实现–深度学习笔记
RNN入门详解及TensorFlow源码实现–深度学习笔记
生成对抗网络入门详解及TensorFlow源码实现–深度学习笔记
更多机器学习、深度学习算法的笔记
生成对抗网络介绍与原理分析
机器学习、深度学习算法之个人见解
神经网络学习笔记
深度学习在NLP方面的应用
经典词嵌入与神经网络语言模型的对比研究
google机器学习框架Tensorflow学习
Tensorflow基础知识与神经网络构建–step by step 入门TensorFlow（一）
深层神经网络实现–step by step 入门TensorFlow（二）
MNIST 数字识别和数据持久化–step by step 入门TensorFlow（三）
机器学习入门材料推荐
机器学习&深度学习入门学习资料大全(一)
机器学习&深度学习入门学习资料大全(二)
机器学习该怎么入门
深度学习如何入门
转载于：http://blog.csdn.net/qq_31456593/article/details/69340697?locationNum=7&fps=1