对机器学习的系统研究使我受益匪浅。一些基本的问题对我来说是非常必要的，比如机器学习算法的范畴。
你为什么这么说?作为一个初学者,我承认,可能在早期的学习对象有一个全面、清晰的了解和评估,然而,对于一些关键概念有一个初步的和更清晰的理解,可以帮助我们掌握问题的理解层,说白了,就是帮助我们有目的的学习新知识,带着问题去学习,解决激励问题的实验,我认为这是有益的和良性的。
在此之前，我在这个领域遇到了很多问题。我可能无法分析问题，在寻找解决方案或模型时可能会不知所措。这种情况可能有两个原因:1。该基础不深，最常用的算法模型不被理解。2。在学习过程中缺乏对实际问题的理解，缺乏将模型应用于实际问题的经验。
因此，在机器学习平台过程中，我们不仅要特别注意算法的本质，还要注意算法的应用情况、应用条件和局限性。如果你只看原则，你不知道实际的应用程序，你只能是一个书虫。如果你只是想用它，你就不能真正理解算法的本质，但是你只能从核心技术的边界上走出来。只有理论与实践相结合，才能使学习效果最大化。在这条道路上，我们必须坚持不懈。
特征空间是所有特征向量的空间。特征空间的每个维度对应一个特征。有时假设输入空间和特征空间是相同的空间，它们没有区别。有时假设输入空间和特征空间是不同的空间，实例从输入空间映射到特征空间。模型实际上是在特征空间中定义的。
对于机器学习算法的分类提供了一个良好的基础，可以根据输入空间、不同特征空间的具体情况空间和输出、分类算法来确定具体的条件。
其次，该算法的分类是基于学习者的内容的一般角度，从普通分类到相对陌生的分类。
第二类被广泛使用，比如是否在垃圾邮件中获利，是否在广告上投资有利可图，以及在下一个问题中学习系统是否正确。第二种分类在机器学习中是非常重要的，它是其他算法的基础。
还有谷歌电子邮件，它会自动将电子邮件分为垃圾邮件、重要邮件、社交邮件、促销邮件等。在视觉或听觉识别中，多用途分类被广泛应用。
根据这一在线机器学习分类，最常见的分类是监督学习、无监督学习和半监督学习。在上述讨论中，将输出空间的差异作为分类依据。