亦行

人工智能artificial intelligence，AI是科技研究中最热门的方向之一。像 IBM、谷歌、微软、Facebook 和亚马逊等公司都在研发上投入大量的资金、或者收购那些在机器学习、神经网络、自然语言和图像处理等领域取得了进展的初创公司。考虑到人们对此感兴趣的程度，我们将不会惊讶于斯坦福的专家在人工智能报告中得出的结论：“越来越强大的人工智能应用，可能会对我们的社会和经济产生深远的积

矩阵的奇异值分解（singular value decomposition，简称SVD）是线性代数中很重要的内容，并且奇异值分解过程也是线性代数中相似对角化分解（也被称为特征值分解，eigenvalue decomposition，简称EVD）的延伸。因此，以下将从线性代数中最基础的矩阵分解开始讲起，引出奇异值分解的定义，并最终给出奇异值分解的低秩逼近问题相关的证明过程。1 线性代数中的矩

pipeline为方便处理数据，提供了两种模式：串行化和并行化1、串行化，通过Pipeline类实现通过steps参数，设定数据处理流程，格式为('key','value'),key为这一step设定的名称，value是对应的处理类。通过list将这些step传入。前n-1个step必须为transform函数，最后的step可有可无，一般为模型，pipeline继承了最有一个

在西瓜书有介绍到一种名为stacking的集成学习方法，在这里简单阐述下，大家一起学习，相互进步。在此我们把个体学习器称为初级学习器，用于结合的学习器称为次级学习器。Stacking先从初始数据集训练出学习器，然后生成一个新数据集用于训练次级学习器，在这个新数据集中，初级学习器的输出被当做样例输入特征，而初始样本的标记仍被当作样例的标记。在训练阶段，次级训练集是利用初级学习器产生的，若