现如今，在更多情况下，我们通过传感器和字节来与机器获得交流，而不是依靠交换情感，那如何让超级智能机器能够和人类正常交流沟通呢？在人工智能背景技术下，自然语言处理（NLP）技术被越来越多的人看好，并受到重视。其中，以微软小冰为代表的聊天机器人，如今却成了网红，迅速刷爆了微信和朋友圈，一个17岁纯情少女懂礼貌、有素质和会作诗，众多网友对她可是情有独钟！下面这幅图是小冰的一个简介。那什么是 NLP？NL

说到价格预测，我们首先能想到的就是kaggle一个比赛，关于房价的预测，不过在房地产行业这么火热的时代，做一个中国版的房价预测也很有意思，但是博主想做的是一个对二手设备价格的预测，通过对二手设备的类型、年代、用过的时间、地理位置等各种特征，进行一个建模，来预测售价，不过这是个比较容易点的应用，未来对于能通过一张或者几张图片就预测二手设备的价格，我觉得这个是比较有挑战的。下面对价格的预测主要通过线性

引言在机器学习中有一种学习叫做手写数字识别，其主要功能就是让机器识别出图片中的数字，其步骤主要包括：图片特征提取、将特征值点阵转化为特征向量、进行模型训练。第一步便是提取图片中的特征提取。数据的预处理关系着后面模型的构建情况，所以，数据的处理也是机器学习中非常重要的一部分。下面我就说一下如何提取图片中的特征向量。图片灰度化 =>当我们拿到一种图片的时候，这张图片可能是多

SKlearn中好多机器学习模型已经做好了，使用的时候直接调用就可以，俗称“调包侠”，我觉得挺有意思，这样大大降低了机器学习的门槛，最近几天一直在使用svm训练模型，其中数据样本不均衡以及打分一直上不去，特征工程也调了好久，现在开始对svm的一些参数进行调试，看看模型会不会变得更好。SVC参数解释 （1）C: 目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 

这里主要是各种优化器，以及使用。因为大多数机器学习任务就是最小化损失，在损失定义的情况下，后面的工作就交给优化器啦。因为深度学习常见的是对于梯度的优化，也就是说，优化器最后其实就是各种对于梯度下降算法的优化。常用的optimizer类Ⅰ.class tf.train.Optimizer优化器（optimizers）类的基类。这个类定义了在训练模型的时候添加一个操作的API

先说说我为什么对强化学习有兴趣了，从大数据到机器学习、深度学习，现在我对智能化真的产生兴趣了，希望有一天能做出自己的机器人。然而，学习的第一步就是环境，所以首先搭建一个gym的仿真环境。现在大家用的最多的是openai的gym（openai/gym），或者universe(，openai/universe),。这两个平台非常好，是通用的平台，而且与tensorflow和Theano无缝连

1.  人工神经网络的分类按性能分：连续型和离散型网络，或确定型和随机型网络。按拓扑结构分：前向网络和反馈网络。前向网络有自适应线性神经网络(AdaptiveLinear，简称Adaline)、单层感知器、多层感知器、BP等。前向网络，网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间

集成学习(ensemble learning)可以说是现在非常火爆的机器学习方法了。它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。本文就对集成学习的原理做一个总结。1. 集成学习概述　　　　从下图，

说句废话哈，相信大多数人和我一样，最开始学习机器学习遇到的第一个模型便是线性回归，而且是一元线性回归，但就这个模型，其实包含了很多的知识点，矩阵计算，最小二乘、梯度下降等知识点，在这篇文章中，对回归模型在此进行阐述，在学习了之前的分类算法基础上，来看回归模型，也许另有体验。好了不废话了，进入正题。 1 摘要      本报告是在学习斯坦福大学机器学习课程前四节加上配套的讲义

激活函数：传统神经网络中最常用的两个激活函数,Sigmoid系（Logistic-Sigmoid、Tanh-Sigmoid）被视为神经网络的核心所在.从数学上来看,非线性的Sigmoid函数对中央区的信号增益较大,对两侧区的信号增益小,在信号的特征空间映射上,有很好的效果,通过对加权的输入进行非线性组合产生非线性决策边界.从神经科学上来看,中央区酷似神经元的兴奋态,两侧区酷似神经元的抑制态,因