我拥有丹麦最好的技术大学的软件工程学士学位，我还拥有商业硕士学位。 我把自己看成是相当技术型的人才。我的工作是确保公司的开发人员写出优秀的代码，以及我们选用合适架构方面的决策。我们做着优秀的工作，客户貌似喜欢我们（是的，他们坚持买我们的东西！）。

算算时间，从开始到现在，做机器学习算法也将近八个月了。虽然还没有达到融会贯通的地步，但至少在熟悉了算法的流程后，我在算法的选择和创造能 力上有了不小的提升。实话说，机器学习很难，非常难，要做到完全了解算法的流程、特点、实现方法，并在正确的数据面前选择正确的方法再进行优化得到最优效 果，我觉得没有个八年十年的刻苦钻研是不可能的事情。

机器学习（Tom Mitchell，1998）：如果计算机程序对于任务T的性能度量P通过经验E得到了提高，则认为此程序对E进行了学习。

快讯动机 现在每天真的是变化太快，太多的资讯信息铺天盖地而来，要想把每天遇到的大量的优质资讯信息进行学习吸收又非常的困难，所以特此做一个机器学习快讯专题，把平日遇到的优质文章整理罗列出来，等有时间或者遇到类似的问题的时候再看也是有益处的。

支持向量机，英文为Support Vector Machine，简称SV机（一般简称为SVM）。它是一种监督式学习的方法，它广泛的应用于统计分类以及回归分析中。

神经网络和决策树这样的学习方法需要一定数目的训练样例，以达到一定级别的泛化精度。前面章节讨论的理论界限和实验结果反映出了这一事实。分析学习使用先验知识和演绎推理来扩大训练样例提供的信息，因此它不受同样的界限所制约。本章考虑了一种称为基于解释的学习（EBL）的分析学习方法。在基于解释的学习中，先验知识用于分析（或者解释）观察到的学习样例是怎样满足目标概念的。

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方法。在机器学习 领域，有几种主要的学习方法。将算法按照学习方法分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获 得最好的结果。

　对学习到的假设，最具有表征力的和最能为人类所理解的表示方法之一为if-then规则的集合。本章探索了若干能学习这样的规则集合的算法。其中最重要的一种是学习包含变量的规则集合，或称为一阶Horn子句集合。由于一阶Horn子句集合可被解释为逻辑编程语言Prolog中的程序，学习的过程经常被称为归纳逻辑编程（ILP）。

　概念学习和一般到特殊序从特殊的训练样例中归纳出一般函数是机器学习的中心问题。本章介绍概念学习：给定某一类别的若干正例和反例，从中获得该类别的一般定义。概念学习也可被看作一个搜索问题，它在预定义的假设空间中搜索假设，使其与训练样例有最佳的拟合度。

贝叶斯推理提供了推理的一种概率手段。它基于如下的假定，即待考查的量遵循某概率分布，且可根据这些概率及已观察到的数据进行推理，以作出最优的决策。贝叶斯推理对机器学习十分重要，因为它为衡量多个假设的置信度提供了定量的方法。

对于机器学习来说，不管你的水平怎么样，网络社区都是十分重要的。因为在你学习的过程中，你无法掌握所有新的算法，也无法实践所有新的数据。但是，通过网络社区的问答互助，你可以在学习过程中收获很多，网络社区的重要性也由此体现，JasonB 最近在一篇博文中分享了他知道的学习社区，以供大家参考。

基于实例的学习已知一系列的训练样例，很多学习方法为目标函数建立起明确的一般化描述；但与此不同，基于实例的学习方法只是简单地把训练样例存储起来。从这些实例中泛化的工作被推迟到必须分类新的实例时。每当学习器遇到一个新的查询实例，它分析这个新实例与以前存储的实例的关系，并据此把一个目标函数值赋给新实例。

机器学习（Machine Learning，简称 ML）和计算机视觉（Computer Vision，简称 CV）是非常令人着迷、非常酷炫、颇具挑战性同时也是涉及面很广的领域。本文整理了机器学习和计算机视觉的相关学习资源，目的是帮助许多和我一样希望深刻理解“智能”背后原理的人，用最为高效的方式学习最为前沿的技术和知识。

机器学习是一个涉及到统计学、概率论、计算机科学和算法等方面的交叉领域，从数据中反复学习，并找出其中可用于构建智能应用的潜在关系。尽管机器学习和深度学习具有巨大的可能性，但是如果要很好地掌握算法的工作原理并得到好的结果，对这些技术的全面的数学理解还是很必要的。

从今天开始，坚持每天学习一个机器学习的新知识，加油！ 决策树学习是应用最广的归纳推理算法之一，是一种逼近离散值目标函数的方法，在这种方法中学习到的函数被表示为一颗决策树。

《Brief History of Machine Learning》 　　介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost 到随机森林、Deep Learning.

根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要 的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。

介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.

严格来说，本文题目应该是我的数据结构和算法学习之路，但这个写法实在太绕口——况且 CS 中的算法往往暗指数据结构和算法（例如算法导论指的实际上是数据结构和算法导论），所以我认为本文题目是合理的。

[Java]代码 package cn.xuhang.collection; import java.util.ArrayList; import java.util.List; /** * 从一个点到达另一个点的路径<br/> * 用到深度优先算法dfs<br/> * * @author Hang * */ public class MazePath{ public static List<Po