0.概述

SVM(支持向量机)是另一种监督机器学习算法。它有时更清洁，更强大。

0.概述

当我们面对一个有许多特征和复杂假设函数的问题时，神经网络提供了一种替代的方式来执行机器学习。例如，对拥有大量像素的图片进行分类识别时，大量的特征值(每个像素)和复杂的假设函数(特征值的N次方组合)使其它监督学习算法执行效率和表现上都不太良好,神经网络能够提供一个高效的学习模型。

0.概述

回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；在线性回归中，按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多元线性回归分析。

在统计学中，线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归,大于一个自变量情况的叫做多元回归。线性回归的主要问题是参数估计。

0.概述

监督学习问题分为“回归”(regression)和“分类”(classification)问题。LinearRegression(线性回归)属于”回归”问题，而LogisticRegression(逻辑回归)属于”分类”问题。

0.概述

机器学习包含了许多的算法和设计规则，掌握这些算法对机器学习的设计和改善将会有很大的帮助。参考内容有Standford大学的NG老师的公开课
machine-learning以及自己收集的一些算法介绍资料。

0.概述

ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣，ROC和AUC介绍以及如何计算AUC这篇博文简单介绍ROC和AUC的特点，以及更为深入地，讨论如何作出ROC曲线图以及计算AUC。但该文中只介绍ROC曲线生成的方法，没有对具体的实现细节做说明，了解实现的细节将是对理论的最好证明。

0.概述

均值算法在机器学习中应用的比较多，使用的时候直接是公式，若对其中的推导过程不熟悉则会很疑惑，为什么要这样计算，下面就是详细的推导过程。

0.概述

中文词性和英文词性表，方便查阅。

0.概述

Servlet在web.xml中的配置总结，对Servlet的生命周期和加载顺序的熟悉将会对系统架构有很大的帮助。

0.概述

推荐场景中，存在给用户推荐自己已经购买的商品，其实用户对自己购买过的商品基本上不会再去买了，没有挖掘出用户的下一步诉求，就不能引导用户进行新的尝试。用户买过手机后我们可以在推荐列表中去放入用户下一步可能要买的商品，比如说：耳机，充电器，其他品牌的手机。不要把用户买过的商品大量的放入推荐列表中，转换效果不好，用户点击欲望也不会高。