写在开头
这个博客于其说是博客。。不如说更像OneNote之类的东西了呀，下次弄个离线加个搜索就真的成Note了2333，或者哪天自己心情好写个客户端emm正好可以练手C#
而且大部分的博文，与其说是博文，不如说是手账比较好。毕竟基本都线性更新的。同时也因为博客的不相关性，导致我忘记了之前挖的好多坑。。。看来确实得改一改了。不过在这里之前，我想起了之前好多个文章里都有类似的挖坑宣言，但是似乎好像什么都忘了hhhhh。
不过说到底还是因为利益驱动不够。看来人不能太勤奋。太勤奋的后果就是能把一些好点子给咕了，只要不影响原有功能情况下基本都懒得动他hhhh，这到底是勤奋还是怠惰呢？还是说更新之后的效果和不更新的付出所得不成正比呢emmmm
好吧脑子有点乱，不说这些了。
高三过去了，因为艺考+高考双重打击，让我之前学的ML都忘得差不多了。现在才记起来，准备试着捡起来。我也不知道我能坚持多久，因为我这个专业木有高数。真希望去计算机相关的专业啊。
顺带说下元旦快乐。这也是期末考之前最后快乐的时光了。
期末考要背的东西好多emmm，专业考试倒是完全不方。主要就是讨厌背啊emmmmm。算了，咕咕咕，先研究一波ML先。
本期内容束博主才学浅陋的一点自我总结，如果是随手翻到此博客的朋友们请酌情观看或者阅读，因为没有认真里结果，所以可能会有一些或者许多错误，还望大家多多包涵/指正，感谢大家。
以下是纯概念性理解。
我的理解
监督性学习
首先是需要一定量的数据，用来“教”程序，之后使用不同的特征提取算法，用得出的结果去和那些教来的数据比对。
发现不对，利用梯度下降法，来微调W和basis，也就是跳权重。之后再去计算，和最后的数据去比对，这也就是跑了一次训练。
就这样一直跑下去，直到最后跑出来的数据无限接近于得出的数据。那么这个网络就训练成功了（？）
emmmm就这么简单吗？还是说我理解错了emmmm。
作用范围
两种，一种是用来预测，一种是用来分类。
比方说是f(y) = ax + bx +c ，运用第一种，就能算处无限接近于a,b还有c这几个参数。这样，也就可以预测出f(y)这个函数。
还有一种是，在一组向量空间中，分布着不同的区域，每个区域代表一个分类。
先假设f(y)已经训练完成。
把y当作特征输入，得出不同的结果，然后对比这个数据在向量空间的所处位置，得出一个所选分类。
大多数的数字识别基本都是这样子的。
其中的问题
听说梯度下降那边可能会有很多解法，但是我看书里好像说不能一直是全局最优解，否则会有啥问题来着的？这个记不清了
非监督性学习
这个真的忘了，待我学习一波。。。
线性相关，线性不相关，线性不可分
线性相关主要就是一个激励值（激励函数请看下面）相关问题。类似于Y随着X改变而改变，类似于一个一次函数。
线性不相关主要是因为资源问题而考虑，X和Y所代表的激励不可能无限大下去。会随着某些因素而导致速率变慢甚至停止。一般都是一些特殊的数学函数，常见的鄙俗sigmod等等。
线性不可分大体就是让你一层神经网络区分不了，那么再多套几层的意思咯。（？）
应该吧。等我复习到了的时候再说XD
误差反向传递
这个也忘了。。
激励函数
激励函数的作用就是，更具传入不同的东西，调整当前得到的权重。
比如你目的是区分美女，那么关于是否是妹子的特征被传到这层神经网络时候，会更具激励函数，来瞬间提高/降低所得出来的值并且传到下一层。
如果按照向量空间所代表的分布来看的话，可以想象你最后结果所在的位置，因为这个激励函数结果的暴增/减，而更靠近/远离美女所处的向量空间。
当然区分这些肯定不只一层解决的事。需要很多层的共同努力，比方说处理脸部的层呀，身材的层呀等等。。所以对于激励函数的选择就很重要啦。
哎好后悔书都在家里。
未完待续