机器学习

一个参数机器学习算法是什么，与非参的机器学习算法又有什么不同呢？在这篇文章中，你会发现参数和非参数机器学习算法之间的区别。

在machine learning中，特征降维和特征选择是两个常见的概念，在应用machine learning来解决问题的论文中经常会出现。

我们都知道，在进行数据挖掘或者机器学习模型建立的时候，因为在统计学习中，假设数据满足独立同分布，即当前已产生的数据可以对未来的数据进行推测与模拟，因此都是使用历史数据建立模型，即使用已经产生的数据去训练，然后使用该模型去拟合未来的数据。

如今，科技界最热门的话题莫过于最先进、最前沿、最令人兴奋的数据科学和机器学习了。然而，要想紧跟该领域的进步和发展，你需要付出大量努力来研究、阅读和查看信息、新闻、指南以及其他内容。

机器学习是什么，是用来干什么的？机器学习就是样本中有大量的x（特征量）和y（目标变量）然后求这个function。机器学习是让机器寻找函数Y=f(X)的过程，使得当我们给定一个X时，会返回我们想要得到的Y值。

通常在模型训练完之后，我们想要查看模型训练的效果以验证模型的好坏，并根据评估结果来继续调整模型的参数、特征或者算法，以达到满意的结果。在回归算法中评价模型好坏的指标很明确主要有：拟合优度R² ，均方误差MSEMSEMSE，均方根误差RMSE，以及平均绝对误差MAE。

虽然机器学习的基本概念已经存在了一段时间，但这一领域最近才迅猛发展，这要归功于先进的处理器和丰富的可用数据，这两者都是实现精确预测的关键。因为介绍机器学习历史的内容很多，所以本文不再赘述。我们在这里为您提供了一种实用的方法来理解必要的概念，帮助您入门。

今天这篇文章和大家聊聊朴素贝叶斯模型，这是机器学习领域非常经典的模型之一，而且非常简单，适合初学者入门。朴素贝叶斯模型，顾名思义和贝叶斯定理肯定高度相关。

随着机器学习领域和技术本身的发展，项目中涉及的阶段和工作流程也在不断发展。支持GPU的移动设备的出现为传统机器学习项目的工作流程引入了一个新阶段。新阶段的出现又造就了新的角色和职位。

随着机器学习问题不断深入人心，人们也将现实中遇到不同的问题分为不同的学习方式，其中，最基础的应属监督学习，无监督学习和强化学习了。