机器学习

机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。

虽然XGBoost是GBDT的一种高效实现，但是里面也加入了很多独有的思路和方法，值得单独讲一讲。因此讨论的时候，我会重点分析和GBDT不同的地方。

许多开展人工智能项目的公司都具有出色的业务理念，但是当企业AI团队发现自己没有足够多的数据时，就会慢慢变得十分沮丧......不过，这个问题的解决方案还是有的。 本文将简要介绍其中一些经笔者实践证明确实有效的办法。

在机器学习中，很多情况下我们想要优化一个函数。通常来说，找到一个全局最优解是困难的。但是，对于凸优化问题，局部最优解便是全局最优解。

机器学习算法在改进安全解决方案，帮助人类分析师更快地分类威胁和阻断漏洞的同时，也将成为威胁行为者发动更大、更复杂攻击的有力武器。

数据标准化处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要对数据进行归一化处理，解决数据指标之间的可比性问题。

这篇文章主要介绍了机器学习中最先进的算法之一——神经网络的八种不同架构，并从原理和适用范围进行了解读。机器学习和神经网络如此优秀，我们先来探讨两个问题——为什么需要机器学习？为何要使用神经网络？之后在来详细了解八种不同的网络架构。

机器学习模型被互联网行业广泛应用，如排序、推荐、反作弊、定位等。一般做机器学习应用的时候大部分时间是花费在特征处理上，其中很关键的一步就是对特征数据进行归一化，为什么要归一化呢？很多同学并未搞清楚，维基百科给出的解释：① 归一化后加快了梯度下降求最优解的速度；② 归一化有可能提高精度。本文将简单扩展解释下这两点。

本文探讨了在5G领域使用机器学习的一些实例，为基于机器学习在5G 领域的高级应用和分析方法指出了潜在的可能方向。随着5G应用对网络性能的要求日益增加，更加强大和优化的网络将会为大幅度提高网络性能，随之而来也为用户带来更好的体验。

这篇文章主要面向的是非专业的读者，简单直白地介绍了机器学习的概念、内涵、以及机器学习的相关问题。对于专业人士而言也可以依据这篇文章对机器学习的概念做更深入的理解，看看如何向身边朋友们解释你所从事的工作。