k-近邻算法采用测量不同特征值之间的距离方法进行分类

一、数据分析思维框架数据分析就是把定性的事情转变为定量，这样我们就能够更具象化、标准化，能横纵对比，能细化放大，能把复杂的事情简单化。数据分析就是寻找被量化的现象之间的【关系】。即y=f(x)，找到两个变量之间的关系，找到的关系越多给实践带来的有效手段就更多。贴合用户认知的建模数据统计——利用数据体现现象（量化），比如建立数据漏斗（矛盾演化规律）数据分析——利用数据寻找现象关系，比如区域、矛盾主题

决策树模型呈树形结构，可以认为是if-then的集合（互斥并且完备：即每一个实例都被一条路径或一条规则所覆盖，而且，只被一条路径或一条规则所覆盖。）或者定义在特征空间与类空间上的条件概率分布

Transformer模型详解

读完人工智能之美一书后，觉得非常有启发的语录如下：1. 关注内在思想，而不是外在行为2. 有了合适的大框架，细节才会有意义、可操控。3. 不同的大脑皮层区域有着一个相同的、强大的通用算法，如果将这些区域按照合适的层级结构连接起来并输入信息流，它就能学会了解周围的环境4. 大脑不需要“计算”问题的答案，它只是从记忆中取出答案。整个大脑皮层就是一个记忆系统，根本不是计算机。它不会计算问题的答案，而是用

read_csv常用

文章地址：https://www.jianshu.com/p/23949ca4f8ab文章写的比较容易理解，但仅仅对二分类的学习问题可行性进行讨论，并非所有的机器学习输出空间都是二值的，其他类型的需要更深入的学习了。文章参考资料：[1] Learning From Data（网易公开课）.[2] 林轩田机器学习基石（B站公开课）.[3] No Free Lunch Theorems.[4] 机器学

读完人工智能之美一书后，觉得非常有启发的语录如下：1. 关注内在思想，而不是外在行为2. 有了合适的大框架，细节才会有意义、可操控。3. 不同的大脑皮层区域有着一个相同的、强大的通用算法，如果将这些区域按照合适的层级结构连接起来并输入信息流，它就能学会了解周围的环境4. 大脑不需要“计算”问题的答案，它只是从记忆中取出答案。整个大脑皮层就是一个记忆系统，根本不是计算机。它不会计算问题的答案，而是用

函数的梯度方向表示了函数值增长速度最快的方向，那么和它相反的方向就可以看作函数值减少速度最快的方向。就机器学习模型优化的问题而言，当目标设定为求解目标函数最小值时，只要朝着梯度下降的方向前进就能不断逼近最优值。最简单的梯度下降算法—固定学习率的方法，这种梯度下降算法由两个函数和三个变量组成。函数1：待优化的函数f(x)，它可以根据给定的输入返回函数值函数2：待优化函数的导数g(x)，它可以根据给定

cuda的安装教程和paddle的安装使用