Swift-AI - Swift高度优化的人工智能和机器学习库

几千年来，人们就已经有了思考如何构建智能机器的想法。从那时开始，人工智能 (AI) 经历了起起落落，这证明了它的成功以及还未实现的潜能。如今，随时都能听到应用机器学习算法来解决新问题的新闻。从癌症检测和预测到图像理解和总结以及自然语言处理，AI 正在增强人们的能力和改变我们的世界。

人工智能（AI）是一个大方向，机器学习可以看作是数学算法，这些算法可以作为实现人工智能的一个有效途径、方法，即作为AI的一个 组成部分。但是人工智能的实现也有别的途径，机器学习的算法和思想也不局限于人工智能。

比较全面的收集了机器学习的介绍文章，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning。

决策树这种算法有着很多良好的特性，比如说训练时间复杂度较低，预测的过程比较快速，模型容易展示（容易将得到的决策树做成图片展示出来）等。但 是同时，单决策树又有一些不好的地方，比如说容易over-fitting，虽然有一些方法，如剪枝可以减少这种情况，但是还是不够的。

摘要：机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里我们将为您总结一下常见的机器学习算法，以供您在工作和学习中参考。

我们在上一篇文章中介绍了EM算法的基本原理，如果读者对此不甚了解，建议参阅

本主题包括两篇文章，由微软研究院和剑桥大学的Jamie Shotton，Antonio Criminisi，Sebastian Nowozin共同完成。 机器视觉是通过计算机算法自动理解图片内容的技术，十九世纪六十年代，它起源于人工智能和认知神经科学。为了“解决”机器视觉的问题，1966 年，在麻省理工学院，这个问题作为一个夏季项目被提出，但是人们很快发现要解决这个问题可能还需要更长的路要走。在50年后的今天，一般的图像理解任务仍 旧是不能得到完美解决。但是也已取得显着进展，并且随着机器视觉算法商业化的成功，机器视觉产品已经开始拥有广泛的用户，包括图像分割（例如微软 office中去除图片背景的功能）、图像检索、人脸检测对焦和Kinect的人体行为捕获等。几乎可以确定的是机器视觉最近的突飞猛进主要得益于最近 15到20年机器学习领域的快速发展。

机器学习现在可谓是炙手可热。只要应用机器学习，就可以有效丰富数据和知识，促进有价值的任务自动化，包括感知、分类和数值预测等。而它的「兄弟」——机器发现，可用于发现照亮和引导人类的新知识。让我们来探讨一下机器学习或者机器发现的最佳应用场景，以及其对商业很重要的原因。

掌握机器学习技能没有最正确的方法，每个人的学习方法都有不同。为了帮助更快地熟练机器学习技能，这个博客着重指出在学习中常见的五个错误：

在工程开发中，人们有多种方法搭建一套键-值存储系统，每种设计针对使用模式有一套不同的假设。在统计建模中，也有很多算法来构造一个分类器，每种算法对数据也有各自的假设集合。

本书针对机器学习这个领域，描述了多种学习范型、算法、理论以及应用。机器学习从本质上是一个多学科的领域。它吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果。表1-2归纳了这些学科中影响机器学习的关键思想。本书的素材基于不同学科的成果，然而读者不必精通每一个学科。来自这些学科的关键理论将使用非专业的词汇讲解，其中不熟悉的术语和概念会在需要时加以介绍。

事实上有许多的途径可以了解机器学习，也有许多的资源例如书籍、公开课等可为所用，一些相关的比赛和工具也是你了解这个领域的好帮手。本文我将围绕这个话题，给出一些总结性的认识，并为你由程序员到机器学习高手的蜕变旅程中提供一些学习指引。

ganitha 包含一组算法用来实现在 Hadoop 平台是的各种规模的机器学习和统计分析。

大家好！我是John Platt，我在微软创建和使用机器学习（简称ML）算法已经17年了。最近这几年机器学习开始受到广泛关注，所以人们经常问我：“什么是机器学习？你们用机器学习来做什么？”

Python在数据研究、数据分析和数据处理领域有独特的地位，有大量的库可以使用并批量执行。近年来，Python也得到机器学习研究者的青睐，很多机器学习的算法库加入到了Python生态圈。这里介绍一些在发展的相关软件库，可以按图索骥，一窥机器学习的端奥。最近，像Google/IBM/MS都加入了机器学习的大阵营，很多也提供了Python接口，值得学习。此外，大数据分析方法与机器学习、人工智能也是千丝万缕的联系，值得关注。

机器学习资源

在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是 EasyPR开发的番外篇，从这里开始，必须对机器学习了解才能进一步介绍EasyPR的内核。当然，本文也面对一般读者，不会对阅读有相关的前提要求。

机器学习难，并不是因为数学难，而是因为选择什么工具及Debug难。快速有效Debug是现代机器学习中的必备技能，但机器学习的Debug相比普通程序要难很多：候选错误空间大、调试周期长。

本文汇编了一些机器学习领域的框架、库以及软件（按编程语言排序）。