机器学习初步认识

本人是初学者一枚，写下笔记分享自己的一些见解，若有错误之处希望各位大神多多海涵，并请指出理解有误的地方，谢谢。

开始入坑机器学习，先来了解一下一些概念。

一、概念区分

- 模式识别
对事物进行分析，从而对该事物进行描述，以及辨认的过程。根据术语笼统的解释一下：对于机器而言，就是告诉机器这些物体有哪些特征，让机器对未知物体进行判断。（如：告诉机器，这朵牡丹花是xx色，有xx片叶子…，然后让它去看看其他牡丹花，看看能不能认出这是牡丹花）

- 机器学习
机器在大量样本中，自己去发现其中的特征并且提炼这些特征中的一些规律，再对未知的物体进行判断。（中国填鸭式教学就类似机器的模式识别，而自发对某方面感兴趣就主动学类似机器学习）

- 深度学习
深度学习是机器学习的一个子类，需要很强大的计算能力，是神经网络的一个衍生。

神经网络和决策树，这里简单的图示一下。

• 决策树
  
• 神经网络
  

二、相关名词解释

• 二值化
  图像像素点的值只有0和255（黑白图效果），作用是：可以保留想要的像素点去除干扰的像素点。
  

• 灰度化
  图像像素点的值在0-255之间（注意区别于二值化），图像有不同的灰度等级。
  

• 标量（scale）:数学概念，笼统的概括，有大小无方向的量。

• 矢量：数学概念，也叫向量、欧几里得向量，笼统的概括，有大小有方向的量。

• 线性组合：抽象的向（矢）量乘标量再相加。
  

• 线性函数/非线性函数
  线性函数：一次函数，直线方程
  非线性函数：除一次函数意外的函数，如抛物线，指数函数…

• 0均值化
  对于一组数据，每一个减去这组数的平均值。
  

------------------------------------------------------------------华丽分界线---------------------------------------------------------------------------------------
感谢以下文章给予我的帮助：
谈谈激活函数以零为中心的问题
数据预处理之中心化（零均值化）与标准化（归一化）