机器学习

用非常简单的语言来说，模式识别是一种问题，而机器学习是一种解决方案。模式识别与人工智能和机器学习密切相关。模式识别是机器学习的工程应用。机器学习处理可以从数据中学习的系统的构建和研究，而不是仅遵循明确编程的指令，而模式识别是对数据中模式和规律性的识别。

机器学习的主要任务：分类（classification）：将实例数据划分到合适的类别中。回归（regression）：主要用于预测数值型数据。机器学习可以分为三种形式：监督学习、非监督学习、强化学习。

根据我作为顾问的经验，只有非常少的机器学习项目能够投入生产。一个人工智能项目可能会因为多种原因而失败，其中之一就是部署。

近日，Judea Pearl 发表技术报告，指出当前机器学习的三个主要障碍，并提出了人工智能范式的完整结构应该包含三个层级，而当前的机器学习尚处于底层，最后他列举了七个用于克服这些障碍的因果推理工具。

简单来说，标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。标准化的前提是特征值服从正态分布，标准化后，其转换成标准正态分布。

近年以来，计算机技术的发展越来越快，人类的生活开创了一个新的时代—开发强大的计算机系统，通过使用适当的设备，将其移动应用程序实施到全球所有垂直领域，无论是医学，教育，还是商业等等。

在 XGBoost算法原理小结 中，我们讨论了XGBoost的算法原理，这一片我们讨论如何使用XGBoost的Python类库，以及一些重要参数的意义和调参思路。

本文主要参考了XGBoost的Python文档 和XGBoost的参数文档 。

1. XGBoost类库概述

机器学习(深度学习)跟编程范式以及处理的数据等方面根传统的编程有较大不同，需要学习或准备转型做这个领域的需要引起足够的关注。

是否需要人工构造特征，这应该是深度学习和传统机器学习的最明显的差异。feature engining是传统机器学习中的一个重要组成部分，sift，hog，wavelet等都是解决如何描述数据的问题。深度学习兴起后，feature engining的研究几乎停滞，而end-to-end成为一个新兴的研究方向。

要做机器学习项目，第一重要的就是数据！那如何来准备机器学习要用的数据就成了第一要做的事情，巧妇难为无米之炊，今天就来教大家如何成为巧妇（夫）。