机器学习

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。

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。