这段时间，我系统地学习了机器学习，由于涉及到很多的高数、最优化、凸集、线性代数和概率论等方面知识，确实是强大的数学在做支撑。
学习计划上继续坚持：按部就班、按照月计划、周计划和天计划进行，每天进行总结分析。
学习方法上继续坚持：自己阅读、查阅资料、视频学习、深入研究等相结合。
主要有三点体会：
（1）公式中，一般都是矩阵表示变量形式，复杂的理论无外乎都涉及到矩阵论为基础，改变以往看到变量就是数的狭隘观点。概率论中：中心极限定律、正态分布、贝叶斯公式等是基本。最优化理论是算法迭代的评价方法。数据是分析的前提，什么样的数据，采取什么样的模型，有那些假设也是一个数据专家的能力体现。
（2）大数据思路，就是考虑大样本，讲概率，讲相关性，不讲绝对，讲相对。在计算中，距离产生美，距离是样本之间同质的基本衡量标准。绝大部分变换都给予在向量空间中变换。所以，矩阵变换体现得淋漓尽致。
（3）导数是计算最优化问题的基础，损失函数、PCA求方差最大等都是建立在导数基础上，且是对矩阵多个变量进行求导，一次还是二次都是常见的。
（4） 决策树、CART树回归、随机森林都是建立在树结构之上，建立在规则之上。
（5） 最难的数学理论无外乎：SVM算法前前后后、SVD、PCA涉及到高深的矩阵变换，当然树的理论理解方便，但设计、构造、实现都比较苦难。
以上仅仅从算法实现角度看这些问题，因为真正理解算法本质，未来才能改进算法，真正理解如何正确高效地使用算法。