学习

　　学习，是一个奇幻的词，仅就知识而言，略显生硬，可有时在复杂的情境里，焦灼的厘清一丝丝的确定，心里却知道它也是不确定的。

　　今天要讲的是最近两周的学习，两件事，Ng的机器学习和轨迹。

　　第一件，刚了解一点监督的皮毛，从线性回归开始，Hypothesis，这一个词意蕴深厚，几乎包含问题的各个方面。线性回归代表一种线性看待世界的眼光，如果这样，很多事就简单了。达到的目标是损失函数最小，也就是Hypothesis和真实的差距达到最小，以此来求解Hypothesis的参数，得到简单的人们想要的简单的Hypothesis。如果要预测的是硬币的两面，Logistics Regression，线性回归作为Logistics函数自变量，这样H_theta(x)属于[0,1]，求解一样。至此，感觉到还是数学的求解方程，哪里是学习？没有自主的样子。接下来，神经网络，神奇的是Hidden Layer，经过Hidden Layer的每一层，神经网络学习到自己的特征，每一层的每一个单元的结果由上一层的Logistics函数求得，最小化损失函数，参数（权值）由一个大矩阵表示，损失函数偏微分求解时会用到反向传播算法（Back Propogation)。最后还有一件很重要的事，评价。评价，既是对错误的定位，也是面临无头苍蝇，随意尝试的出路。包括Bias、Variance，学习曲线，single realnumber，precision、recall。

　　第二件，轨迹。轨迹，可以表示存在过，表示人与人的关系或者芸芸众生的期待和无奈。距离度量和聚类，先研究的是关于点的距离度量和聚类，埋头看两周英文的大牛文章，对英语亲切一些了。距离度量，重点四种，Hausdorff、Longest Common Subsequence、Dynamic Time Wraping、Edit Distance。聚类，一种，Density Based Spatial Clustering of Application with Noise。TRACLUS在上述点的距离度量和聚类基础上，对轨迹进行扩展，形成一种轨迹聚类的框架方法，接下来，研究算法代码。