不久前， 上海交通大学的两位研究者发布了一项题为“利用脸部照片自动推断犯罪性”的研究，利用基于有监督的机器学习的方法，根据人的脸部特征预测一个人是否有犯罪倾向，“准确率接近90%”。该研究在国内外引起了广泛的争议。近日，谷歌的几名研究员撰文对这一研究进行了批驳，回顾了机器学习技术的底层运作方式和技术细节，并探讨机器学习等先进技术在融入现实中所遇到的难题和挑战。
经常会在一些社区类网站看到有人问如何入门和学习机器学习，于是，我在这里分享一些我学习机器学习这一段时间以来收集的各类比较好的教程。
我过滤掉了一些没什么用的教程和资料，因为那些确实没有用，而且看起来太多太繁琐，人的精力有限，只要能把这些资料看完，就已经可以变得很厉害了。
前言：
自然语言是信息的载体，记录和传播着信息，信息论之父香农对信息的定义是“信息是用于消除随机不确定性的东西”。信息通过编码，经过一定的信道传输，然后传递到接收者，再解码成对应的可被人理解感知的东西，就完成了一次信息的传递。原始人的通信方式就是说话，而说话是先将信息编码为对应的语言信号，可以是文本，可以是声音，也可以就是中文拼音，然后接收者再将收到的信号进行解码。而我们人类对自然语言的处理经历了从基于规则的算法到基于统计的算法，显然基于统计的方法比规则更有效，下面我将介绍一种基于统计的语言模型，可以实现从拼音转为文本。
分类
博客创建三个月的二三事
我的博客是大约三个月前正式开始写作的，从一开始就是带着一种激情去做的，写博客也纯粹出于公益，主题就是我爱好的科技和人工智能方面的。最初的时候我在网上搜了一些关于建立个人博客方面的事情，看到一些人想利用博客赚钱，不过，这都是很多年前的了，现在时代不同了，现在博客的热已经消退，而回归到了其本质。这样才能体现博客的真正意义。
最新消息，Google中国今天（北京时间4月10日）下午15:00在北京的中国棋院召开新闻发布会，正式宣布 AlphaGo 将于今年 5 月 23 日在浙江乌镇对决包括柯洁在内的中国顶尖棋手，展开三番棋大战，同时还有团队赛和人机搭配的形式。此次比赛的奖金为150万美元，用来奖赏获胜者。
在数字信号的处理中，我们在研究一些问题的时候，经常会用到噪音，甚至有时候专门产生噪音并添加到某些信号中来研究一些问题。比如，图像和语音识别等任务中添加一些不同的噪音来测试机器学习模型在有噪音环境下的识别率。我们就需要使用一些方法来产生噪音并且添加到原信号中去。
噪声从物理角度上看，是声波的频率、强弱变化无规律、杂乱无章的声音。[1] 白噪声，是一种功率谱密度为常数的随机信号或随机过程。“白色”仅意味着信号是不相关的，白噪声定义要求其均值为零，但没有对信号应当服从哪种概率分布作出任何假设。如果某白噪声过程服从高斯分布，则它是“高斯白噪声”。类似的，还有泊松白噪声、柯西白噪声等。[2]
做自然语言处理，尤其是中文自然语言处理，文本分词是必不可少的过程。其实不仅仅是中文，大多数亚洲的语言文字在计算机做处理时，都需要进行分词，甚至英文在识别短语时也要进行类似中文分词的过程。所以，我们需要一种有效的分词算法，这里我仅以中文做实例，其他语言可以参考，介绍一种简单的中文分词算法，并附上一个C#版的示例代码。
在最近某次技术讲座上，我为大家讲解了机器学习的一些基础知识，算是对帮助新人入门尽一点微薄之力。我尽量用最简洁易懂的话语，面向对机器学习知之甚少的同学，讲一讲机器学习的基础内容。
正文：
神经网络有着强大的函数表示能力，只要它具有合适的层数。神经网络可以拟合任何线性或者非线性的函数，而且可以通过学习或者自身一系列所需的参数。我们都知道，神经网络的输入层输入的是数据的原始特征，经过中间隐藏层一系列的近似于“黑盒”的计算，其中每一层都是利用前一层的特征进行计算得到新的特征，最终我们在输出层可以得到对应的结果。我们可以用几个简单例子来更好的理解神经网络的一些工作原理。
在图像处理中，我们通常把彩色图像转为灰度图像，或者黑白图，然后再实现一些相关的计算和识别，比如图像识别等，是计算机视觉方面最常用的一种基本方法。进行了转换之后，很多事情就变得简单方便起来。
