机器学习知识点积累

1. 有监督学习和无监督学习

https://blog.csdn.net/u010420283/article/details/83758378

2. 分类与回归

不管是分类，还是回归，其本质是一样的，都是对输入做出预测，并且都是有监督学习。

二者的区别：

• 分类：输出的是物体所属的类别。如：根据今天以及前几天的阴晴，预测明天阴还是晴。
• 回归：输出的是物体的值。如：根据今天一起前几天的温度，预测明天的温度。

参考：https://blog.csdn.net/shuiyixin/article/details/88816416

3. 鲁棒性和泛化性

鲁棒性(Robust)：模型对数据变化的容忍度。数据出现较小偏差时，只对模型输出产生较小的影响，则称模型是鲁棒的。举例：当旁边有人搭话时，司机的开车能力。
泛化性：衡量训练集上训练出的模型，在测试集上的效果。举例：司机开车行驶在不同道路的能力。

4. 主成分分析（PCA）

https://www.cnblogs.com/BlairGrowing/p/14926126.html
https://zhuanlan.zhihu.com/p/77151308

5. 支持向量机

https://blog.csdn.net/qq_42192693/article/details/121164645

6. 张量

https://zhuanlan.zhihu.com/p/110568377

7. 长短期记忆网络（LSTM）

https://blog.csdn.net/weixin_41722370/article/details/80869925

8. 端到端（end to end）与非端到端

端到端：输入数据首先经过人工处理，再喂给模型去训练。这个过程中很有可能会出现人工提取的特征不准确或者偏差很大，导致再好的算法也无法得到满意的结果。

例如：
对一系列人的数据分类，分类结果是性别，如果你提取的特征是头发的颜色，无论分类算法如何，分类效果都不会好，如果你提取的特征是头发的长短，这个特征就会好很多，但是还是会有错误，如果你提取了一个超强特征，比如染色体的数据，那你的分类基本就不会错了。

端到端：直接输入原始数据，让模型自己去学习特征，最后输出结果。中间不需要人参与，就像一个工厂，送进去玉米，最后出来爆米花，中间的流程我们一律不参与。

原文链接：https://blog.csdn.net/qq_41621362/article/details/91881130

9. 批标准化（batch normalization）

https://zhuanlan.zhihu.com/p/24810318

10. 高光谱

https://blog.csdn.net/two_apples/article/details/88571235

https://www.bilibili.com/read/cv7179750/

https://blog.csdn.net/weixin_43405472/article/details/123105953?utm_medium=distribute.pc_relevant.none-task-blog-2_defaultbaidujs_baidulandingword~default-0-123105953-blog-88571235.pc_relevant_multi_platform_whitelistv3&spm=1001.2101.3001.4242.1&utm_relevant_index=3