機械学習のオンとオフ

　　今、コンピュータ分野で最もホットな方向といえば、それは機械学習です、私はすべてのコンピュータの人がこの理論的な技術を学び、あるいはマスターしたいのではないかと心配しています。
　　私にとって、私はそれについて何も知りません。始める方法がわかりません。私は上級の初心者としか見なされません。大学院で最初に機械学習の概念に触れてから5年から6年になります。関連する知識を断続的に学習しました。以前に学習した関連する知識を復習して復習し、要約を作成しましょう。
　　大学院時代の研究の方向性はアンテナの選択であり、簡単に言うと、性能の良いアンテナを選択することです。データを調べる過程で、アンテナ選択の研究方向に限定されない場合でも、「選択」自体は非常に価値があるので、機械学習に関連する最初の名詞を知っています[特徴選択]：特徴選択はシステムの特定のインジケーターを最適化するために既存のM機能からN機能を選択することは、元の機能から最も効果的な機能の一部を選択してデータセットの次元を減らすプロセスです。これは、学習アルゴリズムのパフォーマンスを向上させる重要な手段です。パターン認識における重要なデータ前処理ステップ。---- Baidu Encyclopediaから、当時の私にとって、アンテナ選択はこの概念に非常によく適合します。データセットの次元を減らすことは選択に対応し、最も効果的な機能は良好なパフォーマンスに対応します。もちろん、選択後、特定のシステムインジケーターを最適化する必要があります、最大チャネル容量や最小エネルギー効率など。
次元削減に関連するアルゴリズムを見つけた後、2番目の用語[主成分分析]：主成分分析は統計的手法です。直交変換により、相関がある可能性のある変数のセットが、線形的に相関のない変数のセットに変換されます。変換された変数のセットは、主成分と呼ばれます。---- Baidu Encyclopediaから、新しい変数のセットが再生成されるため、私の研究方向アンテナの選択では、新しいアンテナのセットを再生成することは不可能であるため、これ以上掘り下げることはしませんでした。
アンテナの選択とは、実際にはアンテナをグループ化することです。1つのグループのパフォーマンスは高く、1つのグループのパフォーマンスは低くなります。パフォーマンスの高いグループを選択してください。このアイデアによれば、3番目の名詞[クラスタリング]が見つかりました。物理オブジェクトまたは抽象オブジェクトのコレクションを、類似したオブジェクトで構成される複数のクラスに分割するプロセスは、クラスタリングと呼ばれます。---- Baidu Encyclopediaから。クラスタリングアルゴリズムにはさまざまな種類がありますが、私はそのときにK-MEANSアルゴリズムを選択して、MATLABでシミュレーションしました。 。
　　これらをレビューしても私の論文の直接的な結果は得られませんでしたが、レビュープロセス中に、アイデアとさまざまなアルゴリズムを理解し、SVD分解、LU分解などの一部の行列演算がデータディメンションを削減するのに役立つことも学びました2つの論文はまだ有用です。
　　この時期に、コースラでオンラインコース「Playing Data with Python」も学びました。内容はデータ分析と視覚化です。内容は南京大学の教師によって教えられました。この教師はとてもおもしろく、ニックネームのある女性教師であることを漠然と覚えています。勉強をしているときも、コードに従ってテストしましたが、後でそれをきれいにするのを忘れていました。
　　仕事の後、機械学習に関連する2冊の本、有名なスイカの本を読み、一部を読みました。より多くの数式が表示されるほど、読むモチベーションが低くなります。1つはPython機械学習の実践ガイドです。名前はとても良いですが、この本には外国の金融の例が含まれており、非常に古くなっているので、大まかな考えを読みました。
　　実行中のアカウントが完成し、内容は主に論文作成時に参考にした資料やウェブページのブックマークからのものです。多くはありませんが、執筆の過程で多くのことを思い出します。今後の研究に役立てていただければ幸いです。