本文主要向大家介绍了机器学习入门之机器学习入门(一)，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

上大学的时候人工智能火了一段时间（虽然现在还是虚假的繁荣现象），但是不得不说人工只能肯定是未来的发展方向，所以我们就有必要了解其基本的理论原理，当然了我写出来的东西肯定不会和数学特别相关，因为我概率论差啊，那段时间沉迷游戏，然后60多分飘过，所以各位肯定是比我牛逼的。我参考的书籍是《机器学习及实践》范淼 李超编著
　　基础理论:
　　　　1.Logistic函数，其实就是类似于电流脉冲，只不过中间的跳变是过度的(正半轴图像类似于根号函数，0附近斜率大)，上下界是+1和-1，然后就有了当x=0的时候，y=0.5，在x左边，y很快远小于0.5，右边y就很快大于0.5于是就把y分成了两类
　　　　2.支持向量机,比如在平面坐标轴的第一象限里有两部分聚集的点，这些点可以使用一条直线y = kx +b来将这两种点分开，那么这种方式就叫支持向量机
　　　　3.朴素贝叶斯,概率论太差没看懂，，，哪位给推荐比较好的概率论课啊？
　　　　4.K近邻算法(以点为例，红点和蓝点)，就是看这个待测样本点，如果这个点附近的K(K使我们设置的)个点都是红点，那么将这个点归类为红点，否则归类为蓝点
　　　　5.决策树，这个好像就是数据结构里面的树，深究的话还有什么特征点的选取顺序，度量方式有信息熵和基尼不纯性，不过，入门，入门，这些应该初中生都能听得懂.
　　　　//以上是监督学习经典模型
 
　　　　//以下是无监督学习经典模型
　　　　1.k均值算法比较复杂（以一维点们为例，有几簇点），可以分为四个阶段
　　　　　　第一阶段：随机布设K个特征空间内容的点作为初始的聚类中心(假设有三堆点，一堆红点，一堆蓝点，一堆黄点，那么这里就有了三个聚类中心，这里的K可以多找几个)
　　　　　　第二阶段：从K个聚类中心中找到距离最近的一个，并且把该点标记为从属于这个聚类中心
　　　　　　第三阶段：在所有的数据都被标记过聚类中心后，根据这些重新分完簇的点再进行计算
　　　　　　第四阶段：如果上面得到的结果和上一次分配的类簇一样，算法结束，否则跳到第二阶段继续执行
　　　　2.特征降维：听说过降维打击吗？？？比如说一个妹子，然后我们用二向箔将她搞到二次元，然后她就可以变成你们老婆了，嗯……所以这个特征降维就是通过一个函数(二向箔)将一个高纬的物体(妹子)映射到低维(你们的二次元)的一种算法

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！