正在阅读：关于机器学习 这些最熟悉的陌生词你都懂吗?关于机器学习 这些最熟悉的陌生词你都懂吗?

　　好了 ，终于到了要介绍深度学习这里。或许你已经通过网络搜，对其有了一些了解。深度学习在研究和商业领域都很出名，目前已在多个不同领域获得了巨大成功，是近年来非常火的机器学习领域。其应用深度神经网络技术——具有多个隐藏神经元层的神经网络架构来解决问题。

　　深度学习是一个过程，更是一种独特的机器学习算法。我们可将深度学习视为一个现代的人工神经网络方法升级版，利用丰富而又廉价的计算，建立更大和更复杂的神经网络，当中的许多方法都涉及半监督学习。

　　说完深度学习，增强学习又为何物？目前，对“增强学习”最好的描述来自剑桥大学教授、微软研究科学家Christopher Bishop，“增强学习是在某一情景中寻找最适合的行为，从而最大化奖励”，简单而精确。常见算法包括Q-Learning以及时间差学习。

　　要知道，增强学习中并未给出明确的目标，机器必须通过不断试错的方式进行学习。其经典例子就是马里奥游。机器通过不断试错，增强学习算法可以判断某些行为，即某些游戏按键可以提升玩家的游戏表现，这里，试错的目标是优化游戏表现。强化学习更多的是应用在机器人控制及其他需要进行系统控制的领域。

　　再来简单的说下K层交叉检验。实际上，我们用交叉检验来打造模型，通过去除数据库中K层中的一层，训练所有K减1层中的数据，再用剩下的第K层来进行测验。之后，再将这个过程重复K次，每一次使用不同层中的数据测试，将错误结果在一个整合模型中结合和平均起来，其目的在于生成最精确的预测模型。如上图所示，在每一轮使用不同的数据进行测试（蓝色是训练数据，黄色是测试数据），方框下为每一轮的验证精度，最终验证精度是10轮测试的平均数。

　　文章的最后，我们来说下什么是支持向量机（SVM）。SVM可分为线性与非线性数据，其原理是将训练数据转化进入更高的维度，再检查这个维度中的最优间隔距离，或不同分类中的边界。SVM中的这些边界被称为“超平面”，通过定位支持向量来划分，或者通过最能够定义类型的个例及其边界，且边界是与超平面平行的线条，定义为超平面及其支持向量之间的最短距离。

　　宏观来讲，如果有足够多的维度，SVM就一定能发现将两个类别分开的超平面，从而将数据库成员的类别进行非线性化；当重复足够多的次数后，就可以生成足够多的超平面，在N个空间维度中分离所有的类别。