机器学习

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。

TensorFlow2.x在构建模型和总体使用方面提供了很多便利。那么，在tf中有什么新功能？在本文中，我们将探索TF 2.0的10个功能，这些功能让TensorFlow的使用更加顺畅，减少了代码行并提高了效率，因为这些函数/类属于TensorFlow API。

对当前学习任务有价值的属性称为是“相关特征”，没有价值的属性称为是“无关特征”，从给定的特征集中选择出相关特征子集的过程，就称为是“特征选择”。其中还有一种特征称为是“冗余特征”，这些特征指的是可以从其他特征中推演出来的特征。

集成学习（ensemble learning）是通过构建并结合多个学习器来完成学习任务。在一些数据挖掘竞赛中经常需要对几个模型进行融合，这时候就可以用到集成学习算法。

机器学习经典算法总结：支持向量机持向量机、贝叶斯分类器

特征的分类：1. 相关特征：对当前学习任务有用的属性。2. 无关特征：对当前学习任务没有用的属性。

在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型......