多年前在Moon的推荐下，就购买了《机器学习》（周志华著，清华大学出版社，2016）。
但是由于种种琐事（懒？）一直都没有进行系统阅读。
现在有了一些时间，打算试着阅读这本书，给自己做进一步的提升。
记录这篇博客，也算是对自己的规划和督促。也许这是一种不错的方式？
PS： 还需要学习Markdown和HEXO的系统写法，每次都复制模板属实感觉有点菜。:)
1. 绪论
1.1 引言
机器学习（Machine Learning）是致力于研究如何通过计算的手段，利用经验来改善系统自身性能的学科。
这里的“经验”的表现形式是数据，因而机器学习的内容是，关于在计算机上从数据中产生“模型”（model）的算法，也就是“学习算法”（Learning Algorithm）。
有了学习算法以后，我们把经验数据提供给它，它能够基于这些数据产生“模型”，在面对新的情况时，模型会给我们提供相应的判断。
1 | 思考：不知道能不能和模糊控制结合，做成自适应控制？ |
1.2 基本术语
数据集（data set）：经验数据的集合。
示例（instance）或样本（Sample）：数据集中关于一个事件或对象的描述。
属性（attribute）或特征（feature）：反应上述事件或对象在某方面表现或性质的事项。
属性值（attribute value）：属性的值。
属性空间（attribute space）或样本空间（sample space）：属性张成的空间。（不一定是2D或者3D的，可以更高的）
特征向量（feature vector）：属性空间中的一个点（因而它也可以代表一个示例（instance））。
维度（dimensionality）：一个示例中属性的个数。
学习（Learning）或训练（Training）：从数据中学得模型的过程。
训练数据（training data）：训练过程使用的数据。
训练样本（training sample）：训练过程中的每一个样本。
训练集（training set）：训练样本组成的集合。
假设（hypothesis）：模型关于数据的潜在规律。
1.3
2. 模型评估与假设
3. 线性模型
4. 决策树
5. 神经网络
6. 支持向量机
7. 贝叶斯分类器
8. 集成学习
9. 聚类
10. 降维与度量学习
11. 特征选择与稀疏学习
12. 计算学习理论
13. 半监督学习
14. 概率图模型
15. 规则学习
16. 强化学习
Try sth new.
这篇博文参考了以下文章:
机器学习，周志华著，清华大学出版社，2016.
感谢他们的分享。