机器学习

EM算法也称期望最大化（Expectation-Maximum,简称EM）算法，它是一个基础算法，是很多机器学习领域算法的基础，比如隐式马尔科夫算法（HMM）， LDA主题模型的变分推断等等。本文就对EM算法的原理做一个总结。

K-Means算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛。K-Means算法有大量的变体，本文就从最传统的K-Means算法讲起，在其基础上讲述K-Means的优化变体方法。包括初始化优化K-Means++, 距离计算优化elkan K-Means算法和大数据情况下的优化Mini Batch K-Means算法。

人工智能和机器学习以及不断增加的数据量正在改变当前的商业和社会格局。这些领域中出现了许多需要CIO注意的主题和问题。

在隐马尔科夫模型HMM（一）HMM模型中，我们讲到了HMM模型的基础知识和HMM的三个基本问题，本篇我们就关注于HMM第一个基本问题的解决方法，即已知模型和观测序列，求观测序列出现的概率。

在进行任何AI/ML部署之前，组织需要将其数据科学的研究工作与项目管理的最佳实践相结合。在2019年1月，Gartner发布了一项调查，37%的受访者表示他们已经在某种程度上使用了人工智能(AI)，但54%的受访者表示，他们所在组织的技能短缺阻碍了他们积极推进使用人工智能的进程。

隐马尔科夫模型（Hidden Markov Model，以下简称HMM）是比较经典的机器学习模型了，它在语言识别，自然语言处理，模式识别等领域得到广泛的应用。当然，随着目前深度学习的崛起，尤其是RNN，LSTM等神经网络序列模型的火热，HMM的地位有所下降。

机器学习和互联网意味着海量数据和复杂的联系，同时也意味着人类无法理解的运行过程——人工智能的“黑箱”是近期学界热议的一个话题，当我们无法理解算法和它生产出的内容，它会怎样改变人类的思想和整个世界的运行？与此同时，完全无法理解这些数据意味着什么的人工智能，真的是在分析世界吗？

本文介绍了机器学习中的基本数学符号。具体来说有算数符号，包括各种乘法、指数、平方根以及对数；数列和集合符号，包括索引、累加以及集合关系。此外，本文还给出了 5 个当你在理解数学符号遇到困难时可以应急的小技巧。

本文中，我们首先引入了数据集概率分布的概念，然后逐一介绍目前常用的模型评估方法，最后对这些方法进行总结。

在集成学习原理小结中，我们讲到了集成学习有两个流派，一个是boosting派系，它的特点是各个弱学习器之间有依赖关系。另一种是bagging流派，它的特点是各个弱学习器之间没有依赖关系，可以并行拟合。本文就对集成学习中Bagging与随机森林算法做一个总结。