Machine Learning Basics

概述

机器学习指的是机器通过统计学算法，对大量的历史数据进行学习从而生成经验模型，利用经验模型指导业务。

机器学习算法分类：

• 有监督学习(Supervised)：针对打过标签的数据去预测新出现的数据。回归和分类本质上是类似的，所以很多的算法既可以用作分类，也可以用作回归。
  • 回归(Regress)，如果预测的内容是数值类型，就称为回归；
    • 线性回归(Linear Regression)，
  • 分类(Classification)，如果预测的内容是类别或者是离散的，就称为分类
    • 支持向量机 SVM，
    • 随机森林
    • 神经网络
    • Gradient Boosting Tree
    • 决策树
    • 逻辑回归，虽然名字叫做回归，但它是分类算法
    • 朴素贝叶斯
    • KNN
• 无监督学习(Unsupervised)：没有打过标签的数据就是无监督学习
  • 降维(Dimensionality Reduction)
    • 就是把高维度的数据变成低维度，降维方法有PCA, LDA, SVD等
  • 聚类(Clustering)，就是把所有具有相同特质的数据归并在一起
    • K均值(K-Means)，一种聚类算法
    • 基于密度的聚类算法 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)
• 半监督学习：标签传播聚类
  • 有一部分数据打过标签，对这一部分数据进行学习

Caffe简单介绍
http://caffe.berkeleyvision.org