1 机器学习、深度学习、人工智能
1.1 机器学习
机器学习是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的学科。
基本步骤：获取数据、数据预处理、特征提取、特征选择、推理预测识别（数据预处理、特征提取、特征选择合称为特征表达）
1.2 监督学习
监督学习，是其训练集的数据是提前分好类，带有标签的数据，进行学习到模型以及参数。
1.3 非监督学习
非监督学习，需要将一系列没有标签的训练数据，输入到算法中，需要根据样本之间的相似性对样本集进行分类或者分析。
2 模型相关
2.1 判别模型和生成模型
生成式模型：由数据学习联合概率分布P(X,Y)，然后由P(Y|X)=P(X,Y)/P(X)，求出概率分布P(Y|X)作为预测的模型，该方法表示了给定输入X与输出Y之间的生成关系。
判别式模型：由数据直接学习决策函数y=f(x)或者条件概率分布P(Y|X)作为预测模型，判别方法关心的是对于给定输入X应预测出什么样的输出Y。
判别式模型方便很多，因为生成式模型要学习一个X，Y的联合分布往往需要很多数据，而判别式模型需要的数据则相对少，因为判别式模型更关注输入特征的差异性。不过生成式既然使用了更多数据来生成联合分布，自然也能够提供更多的信息
2.2 回归模型
回归模型正是表示从输入变量到输出变量之间映射的函数。例如，线性回归代表目标值预期是输入变量的线性组合。
2.3 多层神经网络
由输入层、输出层、隐藏层组成：
- 输入层：接受与处理训练数据集中的各输入变量值
- 隐层：实现非线性数据的线性变换
- 输出层：给出输出变量的分类或预测结果
3 正则化
经常使用的是L1和L2正则化（L2>L1），思想是在损失函数增加一项（正则项）。
3.1 L2正则化
正则项为权重的平方和，公式为：
其中
是不添加正则化的损失函数。
3.2 L1正则化
正则项为权重的和，公式为：
3.3 偏差和方差
偏差是描述模型的期望预测与真实结果之间的偏离程度。偏差大说明模型拟合能力差，此时欠拟合。
方差是描述数据扰动造成的模型性能的变化，即模型在不同数据集上的稳定程度。方差大，说明模型稳定性差，训练集上拟合优秀，测试集上拟合差，则方差大，此时过拟合。
3.4 欠拟合
欠拟合，模型参数学习的过少，模型不能很好地拟合数据
3.5 过拟合
过拟合：把一些不必要的特征过度计算了
4 数据集相关
评估方法就是如何划分数据集，应该要求测试集与训练集之间互斥，用测试集来预测评估模型方法。
4.1 留出法
就是将整个数据集==按照某种比例进行划分成训练集和测试集==，训练集和测试集比例一般为7:3。
4.2 交叉验证法
将全部数据集S分成 k个不相交的子集，每次从分好的子集中里面，拿出一个作为测试集，其它k-1个作为训练集，根据训练集训练出模型，放到测试集上，得出结果。计算k次求得的结果的平均值，作为该模型的真实结果。
如果k太大，误差估计的偏差很小。但是误差估计的方差很大（由于验证点少)计算时间非常大（试验次数多)，会导致过拟合。
如果k太小，计算量小，计算时间短。但是误差估计的方差小(由于验证点多）误差估计的偏差会很大，会导致欠拟合。
4.3 留一法
交叉验证法的一种，每次只留下一个样本做测试集，其它样本做训练集，如果有k个样本，则需要训练k次，测试k次（注意这里是以样本为单位，交叉验证法以子集为单位）。
适合小样本数据
4.4 自助法
留出法每次从数据集D中抽取一个样本加入数据集D'中，然后再将该样本放回到原数据集D中，即D中的样本可以被重复抽取。这样，D中的一部分样本会被多次抽到，而另一部分样本从未被抽到。
5 最大似然学习
已经知道结果，寻找使该结果出现可能性最大的参数的过程。计算步骤如下：
- 写出似然函数
- 对似然函数取对数
- 求导，令导数为0得到似然方程
- 解似然方程得到参数
