一、KKT條件
KTT條件解決最優化問題得時候用到的。我們這裏提到的最優化問題通常是指對於給定的某一函數,求其在指定作用域上的全局最小值。
最優化問題三種情況:
(1)無約束條件
解決方法通常是函數對變量求導,令求導函數等於0的點可能是極值點。將結果帶回原函數進行驗證即可。
(2)等式約束條件
(3)不等式約束條件
二、tensorflow
優勢:模塊化、可組合、易於擴展
常見的數據類型載體:List、np.array、tf.Tensor
(1)什麼是Tensor
(2)常用數據類型
三、機器學習的分類
(1)監督學習(2)無監督學習(3)半監督學習(4)強化學習
四、機器學習整體流程
數據收集→數據清洗→特徵選取與選擇→模型訓練→模型評估測試→模型部署與整合
(1)梯度下降
(2)模型的有效性
(3)迴歸
(4)分類