《机器学习》周志华学习笔记（.zip）

简介：
机器学习涉及多种类型算法，这些算法被用来解决不同数学问题。以下是一些常见的机器学习算法：监督型学习算法：包括线性回归模型（Linear Regression Model）、二分类逻辑回归方法（Binary Classification Logistic Regression Method）、分层决策树模型（Hierarchical Decision Tree Model）、集成随机森林体系（Ensemble Random Forest System）、最大间隔支持向量机理论（Maximum Margin Support Vector Machine Theory）、非参数化k近邻分类方法（Non-parametric k-Nearest Neighbor Classification Method）以及深度神经网络模型训练方案（Deep Neural Network Model Training Scheme），如多层感知机技术基础框架（Foundation Framework of Multi-Layer Perceptron Technology）。无监督学习算法：基于K均值的分群方法（$S = X^TX$）；层次型聚类模型；通过高斯混合模型实现的数据密度估计；主成分分析技术（PCA），即通过计算样本协方差矩阵实现降维的方法；基于关联规则挖掘的学习框架，其核心是利用频繁项集的发现方法提取知识。在机器学习领域仅是众多方法中的一个片段，在深度学习、强化学习等细分领域则各有专门的研究方向。基于问题特性和数据属性，选择合适的算法至关重要。每个算法都有其特定的前提条件及适用范围。在运用机器学习方法时，应充分考量问题需求与数据特性。机器学习（Machine learning）是人工智能的分支学科，它模拟或模仿人类的行为以获取新知识，并通过不断优化自身性能来改进工作效果。自20世纪80年代以来迅速发展，在数学统计等领域的算法模型方面已积累了大量研究成果。深度学习（Deep learning）属于机器学习领域的一个重要分支，其灵感来源于人脑的结构与功能。该技术主要由人工神经网络（ANN）构成，其架构模仿了人类大脑的神经网络结构。其中，“深度”一词通常指模型内部包含的隐藏层数目。近年来发展迅速，并广泛应用于多个领域。机器学习则致力于探索如何使计算机系统能够模拟和改进人类的学习过程。在实践意义层面，机器学习基于大数据利用各种算法分析数据以实现自主学习能力，从而使人工智能系统具备归纳推理与决策能力。