第1部分：机器学习的过去和现在。由于我们谈论机器学习，因此从机器学习开始。相对而言，机器学习是一个更笼统的概念。乍一看，您会认为机器学习，人工智能和数据挖掘在谈论事物。就像它们之间的实际关系可以概括为：机器学习是人工智能的一个子方向。机器学习是数据挖掘的一种实现。举一个简单的例子，给一些苹果和香蕉，人们会根据自己的特点来判断。区分并记住这些特征。下次再来一个新的苹果或香蕉时，您可以判断它是香蕉还是苹果。就像程序执行的任何算法或数学问题一样，总是需要一些输入，而某些输出是用于机器学习的，输入是特征向量的向量，或者如果矩阵只有一个特征，则输入是向量。当然，向量是矩阵的弱化概念，其统称为矩阵＆amp; bull;。当前的机器学习核心技术是基于矩阵的优化技术。输入：矩阵＆amp; ndash;要学习的信息输出：模型＆amp; ndash;总结规则。因此，当前的主流机器学习技术可以形式化为＆amp; bull;。输入：特征矩阵X，标签向量yX是特征矩阵，不包括``样本名称＆＃39;＆＃39;和``样品标签＆＃39;＆＃39; y是标签向量，即``sample labeling＆＃39;＆＃39;列＆amp; bull;输出：模型向量w＆amp; bull;期望：X＆w尽可能接近y。各种优化算法可以解决w，不同之处在于如何定义“尽可能接近”。例如，在此示例中，为了计算广告的点击率，目标是猜测目标广告是否将基于已知的auc特性。点击示例中只有两个功能，即查询关键字和“红色吗？”，判断结果是点击是否可以，现在问题和输入输出都解决了，要解决这个问题，可以使用上面定义的相关算法。有一个隐含的关键点：X w尽可能接近y。如何定义此“关闭”，思路不同，算法也不同，例如LR（LogisTIc回归）和SVM（支持向量机）不同，因为可以按照以下方式以数学形式表示样本图，即特定的算法细节不是本讨论的重点。在这两种算法中，“关闭”的定义被定义为“关闭”。是不同的。在学术上，它是“不同的优化目标”。无论它们是否相同，我们都可以选择至少一个优化目标。有了优化目标，接下来要做的就是如何解决这个优化目标。通常，当前的思路主要是L-BFGS，CDN，SGD将以上要素放在一起，就存在一个完整的机器学习问题。第2部分：如果要使用机器学习方法解决问题，则需要注意优化的三个方面：算法，数据和功能。让我们分别讨论算法。从优化目标的角度来看，该行业通常没有足够的资源或实力来研究新算法。它们中的大多数使用现有算法或在现有算法的基础上进行扩展。从优化算法的角度来看，主要有以下三点：计算量较小，收敛速度更快，并行性更好。这三点也更容易理解。对于工程问题，计算量很小，并且机器可以更快地完成其他事情。收敛，您可以更好地使用结果，而并行性更好，则可以使用现有的大数据框架来解决问题。训练数据应与实际数据尽可能地分布+尽可能多的数据机器学习算法。在这种情况下，由于期望值通常是最小的总误差，因此小数据的分类很可能是错误的。如果样本数据和实际数据的分布非常不同，则实际的算法效果通常不足以处理该数据，这很容易解释。数据越多，训练就越充分。就像考试前要做的更多练习一样。总体效果更好。特征是要包含尽可能多的信息以识别对象。一个简单的例子，如果只有一个特征，则对水果的判断通常会有偏差，随着特征数量的增加，将导致以下结果，并且训练将是准确的。对于工程问题，特征是最确定的方面，是算法的最优化，只能优化2〜，效果是3％，但是