机器学习

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。

在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出。

“过拟合就是训练的时候效果很好，损失函数值可以降得很低，但是到测试数据集的时候表现就不那么好了，原因是过分依赖于现有训练数据集的特征造成的，解决方法是可以加大数据集来进行训练。

物联网（IoT）有着巨大的潜力，几乎没有哪项技术能与其相媲美，并且它几乎在每一个领域都释放出了新的机遇和创新。因此，全球企业正在安装比以往更多的传感器，以利用物联网的发展潜力。但如果没有适当的数据管理策略，这些传感器的实施可能会适得其反。企业可能会发现自己的服务器被大量噪音所堵塞，而不是提高效率和降低成本，而且也没有获得多少回报。

网络安全领域的独特对抗属性给人工智能应用落地带来了重重困难，但我们并不认为这最终会阻碍人工智能成为网络安全利器。我们尝试分析了人工智能在网络安全应用里的潜在困难，并试着解决它们。

特征：从原始数据中抽取出对结果预测更有用或表达更充分的的信息。特征工程：使用专业的背景知识和技巧处理数据，使得特征能在机器学习算法上发生更好的作用的过程。特征工程的意义：更好的特征意味着更强的灵活性+只需简单模型+更好的结果。

强化学习模型根据输入学习一系列动作（action），而不同的动作会逐渐累计起来，在某些时候就会得到一些奖赏（reward）。执行某个动作并不能立即获得这个最终奖赏，只能得到一个当前反馈。机器要做的是通过在环境中不断尝试而学得一个策略（policy）。

当今最进步，最前沿，最令人兴奋的……数据科学和机器学习是当今那些非常有吸引力且热门，热门，超级热门的领域。 但是，要与这些领域的所有进步和发展保持同步，你需要付出很多努力-研究，阅读，检查所有信息，新闻，指南和其他内容。

算法公式挺费神，机器学习太伤人。任何一个刚入门机器学习的人都会被复杂的公式和晦涩难懂的术语吓到。但其实，如果有通俗易懂的图解，理解机器学习的原理就会非常容易。本文整理了一篇博客文章的内容，读者可根据这些图理解看似高深的机器学习算法。