和机器一起学习-理论和模型

主要内容 相关文：https://yq.aliyun.com/articles/159607

学习内容主要是机器学习在统计学，模式识别，神经网络，人工智能和信号处理，控制和数据挖掘等领域的应用

涵盖监督学习，贝叶斯决策理论，参数方法，多元方法，维度归约，聚类，非参数方法，决策树，线性判别式，多层感知器，局部模型，隐马尔可夫模型，分类算法评估和比较，组合多学习器以及增强学习等计算机，数学内容。

基础：计算机程序设计，高数概率论，微积分和线性代数知识

机器学习是从已知实例中自动发现规律，对未知实例的预测模型。

已经应用的领域，如互联网技术：搜索引擎，推荐系统，垃圾邮件过滤和入侵检测系统等
🈶️数据学习方法，如自然语言处理应用（机器翻译）从大型语料库中自动学习

另在机器人，语音和图像识别，生物测定，财经等领域

核方法，贝叶斯估计和图模型：核函数思想，核机器，梯度下降训练，S型隐藏单元的多层感知器，贝叶斯先验分布，数据隐含，图模型与关联节点等