Darling912的博客

之后我们在会把这个时效性不是很强的相关的内容，机器学习审核之后，会去先小批量的分发，之后如果没有人进行相关的举报，再去全流量进行相关的分发，整个过程中是只会存在这抽查这个相关的过程的，而不是回想这个热点性极高的信息一样全面进行检查。对于这个时效性较强的内容之中，运营之后即审核进行相关的通过，在这个机器学习的相关的领域之中，我们也要去明白这个文本之间也是具有文本信息处理相关的快慢之分的。每一类的召回都是存在着自身的相关的缺陷的，行为类召回对新用户，新产品是表现的比较的差的，甚至是没有办法去做的。

所以说我们必须要去这个地方的最大值，这个p非常小的时候我们要把这个伤害大的时候，权重小一些，这样的话我们的损失就要去最小化。这个山峰尽量去拟合比较大的数值，这个小的数值所存在的时候，对其整体的影响是十分的小的。是没有一分类的，一个是正向的，一个是反向的，所以最小是二分类。当我们的值是等于0的时候这条直线是正好和这个点进行一个重合的。预测和我们的真实就是我们的找寻两个距离之间的真实的值。p大的时候，这个后面的小的状态就是越存在作用的。在两边的地方d的变化是对x的变化是非常的小的。

当我们不使用平方使用绝对值的时候，我们这个时候就会去接近这个直线，其他的不在这个点上的直线就不会照顾到其他的点。提取了这个的结果是不相关的问题，那么这个计算会变的相对的复杂，但是这个模型并不会太差。离我们所想要的所规定的相关的标准是比较的远的点，这样的点和我们的原本的数据很不相似。这个w已经很接近的这个点的时候，这个时候我们所存在的这个点所产生的收益很小了。线性回归的优点就是抗拒冗余的，冗余对这个mse的影响不大，几乎是没有的。所在直线上的所聚集的点存在的越多，那么我们这就叫好弄的点。

一堆的数据塞进去，然后要去拉成一条直线，再算这条直线的过程中，得不停的去调试这个w，会产生一堆的w，然后我们把这堆的w的斜率去调试到0，的时候，也就找到了这个w的值。抽取m的时候我们会发现，这个m会比这个正常的数值要么要大要么要小，m越大这个震荡的幅度就会越小，这个越小这个震荡的幅度就会越大。如果这个步幅很大的时候，这个寻找的过程就是震荡的，也有可能没找到略过了，也是很慢的。如果这个寻找的这个步幅是比较的小的，这个寻找的过程是很慢的。这个函数的y值收到的这个x的值的变化更加的明显。

这里的收益，就是我们学习的时候，要把那条线条进行一个拉直，这样的话我们就会发现，在和mse相靠近的这个点是我们去关注的，当这个点或者这个区域里我们真的是太远的时候，我们就没有必要去关注这个数值了，是不存在价值的。如果我们去使用这个绝对值的误差的时候，我们这个收益上是永远不变的，这样的话我们的这个机器就无法去判断到底是复杂的事情还是容易的事情，这样的话，我们的收益就变的更加小了，我们也不能去判断哪些事情是更加的重要的了。当我们的训练集所采取的数据越大，范围越广的时候，这时候我们的采样就更加的科学。

人工智能方向的基础，对于基础特征中的判断

1.弱人工智能ani，处理一些特定的任务。医疗健康，金融服务，教育辅导，自动驾驶。2.通用人工智能，处理各种各样的问题。3.超级人工智能（超强人工智能）