持续更新……
更新2018.5.8周二晚 “决策树”
参考文章：
基本概念
描述概念空间（描述分类过程的一种数据结构），ID3算法……
发展历史：
84年：CART（分类回归树？）
分类树：预测输入的类型；
衰退树：预测输入的实数值（如房价，住宿天数）
86年：ID3改进——ID4
88：ID4——ID5
93：C4.5
本质——无论何种决策树算法，都为构造一棵熵值（信息熵，条件熵，信息熵相关的分类问题，信息增益）下降的…
产生：
周二晚——“信息融合技术”课程笔记。
隐含的（数学）原理在数量上的显式表现:
统计学方法概述：
三阶段：1.搜集数据，采样与实验设计；2.分析数据，；3.进行推理，预测&分类
概率论 ——统计方法：回归分析，判别分析，聚类分析，探索性分析
svm：
基于统计学习理论的机器学习方法，具有完备的数学基础在COLT-92上首次提出，
比较：1.机器学习——主要依靠模型、数据训练，如何在数学上证明其的收敛性（有效性）？2.神经网络——“凭经验调参数？”
研究重点：核函数
分类问题：线性可分，近似线性可分，线性不可分，
统计学习理论：小样本，预测学习
eg.函数估计模型
基本概念： 产生器generate，训练器supervisor（train set），学习机learning machine（范数在其中的应用）， 期望风险；经验风险；
V/C维（vapnik-chervonenkis，dimension）:
过学习（过拟合，overfitting（underfitting,goof tit））：一般的学习方法（神经网络）基于期望风险（）最小
最大间隔法的直观导出：
学习理论的四个部分：一致性理论，
线性分类器；分类超平面；最大间隔原则
分类问题的数学表示：
分类学习方法：分类学习机——最优分类——约束优化
课间问题：
1.机器学习与深度学习的关系？
2.硬件与人工智能的关系？
3.课程框架？
4.……
2018.2.24.周二晚
近似线性可分问题：惩罚参数→目标函数
（广义）线性支持向量计算法（简单易学的机器学习算法——线性支持向量机）：四个步骤1.训练集；2.选择适当的惩罚参数c，构造并求解二次规划问题；3.
非线性分类：最优化问题的求解
机器学习
（自己整理的关于机器学习的很好的资料）
什么是机器学习（知乎问题）
学习路线（机器学习、深度学习、python）
机器学习精简入门教程（GitHub贴出的，非常棒的笔记！）
机器学习的数学基础（黄海广，公益性的关于机器学习的网站）
吴恩达老师的机器学习课程个人笔记（黄海广）
deeplearning.ai（吴恩达老师的深度学习课程笔记及资源）（黄海广）
机器学习笔记（作者：子实）
机器学习相关教程 Python tutorial（ 周沫凡, 莫烦Python）