绪论--数据挖掘
数据量不够--利用噪声
平均数具有欺骗性，中位数比较可靠
2--拟合和优化
矩阵的逆
学习速率尽量"自己动手，丰衣足食"
3--logistic svm--分为二
用拉格朗日乘子法
https://baike.baidu.com/item/%E6%8B%89%E6%A0%BC%E6%9C%97%E6%97%A5%E4%B9%98%E5%AD%90%E6%B3%95/1946079?fr=aladdin
在什么情况下。Softmax分离器和one vs.all
4--神经网络
但是这两个方法在梯度时，会卡死
前馈神经网络：图像识别
循环神经网络：语言和视频
5--正则化
红线之后，过拟合，推广能力越来越差，前面区域叫做欠拟合，后面为过拟合。正则化的目的寻找合适的模型容量，使得正好落在红线区域。
训练的时候盯着看
卷积神经网络降低过拟合的概率
##对抗神经网络
##不要轻易降低神经网络层数，看看能采取什么样的正则化方法，避免过拟合
6--卷积神经网络--给机器一双慧眼
7--深度学习--自我进化的机器
人能和外界进行交互，他的每个行为影响环境，最大收益。利用机器通过深度学习建立环境的模型
做到端到端的学习
通过反复迭代旧模型
没有告诉机器游戏的规则，就给他几张图片，机器通过自己分析就能非常好的完成游戏。
使用随机梯度下降的方法
将参数个数降低10000个，大大减少参数数量，保留空间信息。
8--递归神经网络--时间之剑
（初步接触）