深度学习之TensorFlow学习（二）重要概念复习：激活函数（Activation Functions）卷积函数（Convolution）池化函数（Pooling）损失函数（Losses）TODO

有了前面两篇的介绍，相信你对支持向量机有了更多的理解。这里我们一起来说说关于支持向量机代码实践那点事。有很多方式可以做到，我们这里还是举例说明下：1，使用libsvm2，使用R3，使用SPSS还有更多的方式，例如mahout,spark MLlib等等。后面有机会都列出来。

关于AutoML在机器学习ML的实践中，参数是其中一个很重要的环节，学习的初始阶段参数怎么给，是默认值，随机值，还是有特点规律的参数，学习过程中，参数怎么调整，参数规模等等一序列的问题，是ML绕不过去的坑，也是机器学习当中很重要的很乏味很无赖的一个课题。怎么解决这些痛点，怎么能够自动优化参数，减少人工调整参数，对机器学习也是一个不小的挑战。AutoML应运而生，一般是指尽量不通过人来设定超参数，.

生物学研究表明，在人脑感觉通道上，神经元的组织原理是有序排列的，输入模式接近，对应的兴奋神经元也相近。大脑皮层中神经元这种相应特点不是先天形成的，而是后天的学习自组织形成的。 对于某一图形或某一频率的特定兴奋过程是自组织特征映射网中竞争机制的生物学基础。神经元的有序排列以及对外界信息的连续映像在自组织特征映射网中也有反映，当外界输入不同的样本时，网络中哪个位置的神经元兴奋在训练开始时时随机的。

TensorFlow学习（一）TensorFlow安装TensorFlow基本概念TensorFlow简单例子数学公式TensorFlow安装在centos上面体验，使用的是Anaconda的方式，里面自带了很多默认的学习工具包，不需要在下载，当然没有搞GPU（以前旧版本的python要小心，由于墙的原因，很多在线下载的都用不了，找到下面这个合适的）wget ht...

贝叶斯分类是一种统计学分类方法，在分类问题中表现出良好的性能。很明显朴素贝叶斯基于贝叶斯定理，下面来简单复习下贝叶斯定理。在说之前我们来看下条件概率的计算，所谓"条件概率"（Conditional probability），就是指在事件B发生的情况下，事件A发生的概率，用P(A|B)来表示。现在需要计算在事件B发生的情况下，事件A发生的概率。有了这个之后，我们可以对对条

有了上篇的基本理论之后，我们可以尝试去代码实现基本的一个BPN算法。         具体的算法代码，后面给出。就像前面说过的，有几个东西需要调节注意的，学习率和惯性因，初始权值和阈值，收敛误差界值Emin。这几个问题其实是很多类似算法都遇到的问题，细节这里不多说。         除了自己代码实现外，还有很多工具可以帮助我们实现和理解神经网络算法，现在举例说明下。         1

K近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。        KNN 算法本身简单有效，它是一种 lazy-learning 算法，分类器不需要使用训练集进行

这篇来说说支持向量机，说实在的，这个是我的最爱，一直比较看好这个算法，而且也是花了不少时间在这个上面，下面一起来复习下。           基于统计学习理论的支持向量机算法是现代智能技术中的重要方面，研究从观测数据（样本）出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。与传统统计学相比，统计学习理论（Statistical Learning Theory，SLT）是一种专门

上篇已经简单的说了下支持向量机的理论，里面有不少公式，需要肯学习的你一步步的推导试一试，说实在的还是挺能考验数学能力的，当年俺老孙就是一步步的推导过。只有这样你才能对这个过程有清晰的认识，才能对这个算法有所体会。         下面来举个例子，所说用支持向量机解决异或问题。这个例子是在一个书上看到的，摘录下面希望能够加深对支持向量机的理解。（部分公式不好编辑，所以直接截图，为了和截图的字体大