好了~接下来

MLAPP学习笔记-Data Mining和Machine Learning的区别及延伸 一、写在前面 　　从上学开始，都习惯把笔记记录在纸张上，大多数是觉得可以偶尔练练字什么的。但问题是时间一长的笔记就很容易遗失，不管是纸张老化还是自己不知道扔哪了。另一个是，自己本身也是从事数据分析这个方向，看得最多还是电子版的资料。所以，决定试着把笔记也通过写博客的方式来积累。 二

多数机器学习应用的目标是在给定一个输入特征的向量 x⃗ \vec{x} 下，预测一个向量c⃗ \vec{c}。在分类问题上，c⃗ \vec{c}代表一个离散的类别标签；然而在回归问题上，c⃗ \vec{c}表示一个或者多个连续变量。从概率的角度，我们的目标是找到条件分p(c⃗ |x⃗ )p(\vec{c}|\vec{x})。这个问题的大多数常用的解决方法是通过一个参数模型描述这个条件分布，然后使用一

1、写在前面 　　话题不知从何起？本不该在这个环境公开自己一些不太成熟的Ideas。但好的总结对自己的认识也会提高一些，同时也刚好清楚自己正需要解决一个什么问题（研究领域）？在此，简单地介绍一下自己的研究方向。2、研究基础 （1）入门论文：文本挖掘是大方向，入门级论文，包括LDA、HDP和PYP。这是导师建议的精度论文，仅仅只是进入这个研究领域。学会一种思想，概率生成模型的思维去解释这个世

原文：http://machinelearningmastery.com/parametric-and-nonparametric-machine-learning-algorithms/ 作者：Jason Brownlee 翻译：AI梦蝶译者注：这篇文章中主要介绍了参数和非参的一些机器学习模型的区别。  一个参数机器学习算法是什么，与非参的机器学习算法又有什么不同呢？  在这篇文章中