机器学习

K近邻法(k-nearst neighbors,KNN)是一种很基本的机器学习方法。它的基本思想是： 在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类。

machine learning : 机器学习；

deep learning : 深度学习；

image processing : 图像处理；

natural language processing : 自然语言处理

机器学习可以让我们解决一些人为设计和实现固定程序很难解决的问题。从科学和哲学的角度来看，机器学习受到关注是因为发展我们对机器学习的认识需要发展我们对智能背后原理的理解。

特征提取和特征选择是DimensionalityReduction（降维）的两种方法，针对于the curse of dimensionality(维灾难)，都可以达到降维的目的。但是这两个有所不同。

众所周知，数据对于机器学习的重要性。了解数据访问模式将帮助数据科学家确定适合其项目的正确存储基础架构。数据基础架构使机器学习成为可能。然而，一旦开始使用，机器学习就面临着关键的数据挑战......

模型的开发周期有多个不同的阶段，从数据收集开始直到模型建立。不过，在通过探索数据来理解（变量的）关系之前，建议进行假设生成步骤。我认为，这是预测建模过程中最被低估的一个步骤。花时间思考要回答的问题以及获取领域知识也很重要。这有什么帮助呢？它会帮助你随后建立更好的特征集，不被当前的数据集误导。这是改善模型正确率的一个重要环节。

根据安卓应用特点，我们可以风险分析分为静态与动态两种。分析的过程不执行应用的方法称之为静态分析。比如说，静态分析中的权限分析可以通过AndroidManifest.xml文件获取，api调用等可以通过逆向dex工作逻辑获得。而动态分析主要是分析应用运行之后的逻辑。

在机器学习中，经常需要对模型进行正则化，以降低模型对数据的过拟合程度，那么究竟如何理解正则化的影响？本文尝试从可视化的角度来解释其影响。

在机器学习的面试中，能不能讲清楚偏差方差，经常被用来考察面试者的理论基础，本文就机器学习中偏差和方差进行了详细总结，供参考。

机器学习是一种伟大的工具，正在改变着我们的世界。 在许多伟大的应用中，机器（尤其是深度学习）已被证明优于传统方法。 从用于图像分类的Alex-Net到用于图像分割的U-Net，我们看到了计算机视觉和医学图像处理领域的巨大成功。 不过，我看到机器学习方法每天都在失败。 在许多这样的情况下，人们迷上了机器学习的七大罪过之一。