一周多没有更新blog了。这段时间比较忙，抱歉。
前段时间比较轻松，故而去学习了一些有关爬虫的知识。也成功运行了一些爬虫作为实验。在后来，我建立了一个名为CatFight的项目，尝试去编写一个游戏程序。在接近一周的编写过程中，学习了json数据库的读写，def函数的各种特性，还学习了class程序结构，同时学习了pandas、progressbar等库，当然了，程序的主体也变成完成并可以编译成为exe进行使用。
同时，根据学习计划配置了zabbix，ansible，wirewshark等运维常用软件。
在近几天，随着学习计划的继续进行，开始学习机器学习的相关知识。上周五，和学习小组一同完成了几个机器学习常用算法的学习，例如朴素贝叶斯、logistic回归、SVM支持向量机、K-邻近，并实现了算法在python-sklear上的简单应用。这周，找到了stanford大学吴恩达教授的机器学习课程，目前在网易公开课上听完了前三节，获益匪浅，这门课让我对机器学习的理论的认识越来越深入和清晰。
还要特别感谢导师-chenhui.wu，他利用我们的历史数据，布置了一些简单有趣的机器学习问题。我们的学习小组在尝试对动静态模型建模的过程中，学习了python的建模方法，并实际将自己所学习的算法进行应用，同时，学习了如何评估模型，大致了解了一些评估参数。
最终，模型的正确率不尽如人意，但是这个过程是更加重要的，同时，也帮助我们对于机器学习的实际价值有了更清晰的认识。比如，我想到我之前毕设所做的图片识别算法，当时尝试使用准确识别并统计的思路进行统计，现在回过头来看，掌握了大量历史数据之后，其实我完全可以利用机器学习对整个识别系统进行建模，从而更轻松的对粒子数进行统计。
最后，贴一个自己对于经典机器学习算法：梯度下降算法的认识：
突然理解了梯度下降算法的意义。在得到训练数据的时候，我们初始化的预测模型都是y = 0。随着梯度下降算法在梯度上对函数的逼近（拟合），每一次下降都会越来越接近最小值，当然，随着越来越接近最小值，梯度越来越小，步长也越来越小。最终抵达最小值，也就意味着拟合函数的完成。
换成二维函数去理解的话，在一个正交的坐标系内内分布着一些点，在最初预测时候，拟合函数为y = 0。随着梯度下降算法对拟合函数的不断优化，拟合函数雨来越接近真实的线性函数，最终会得到一条最能代表散点分布的函数线。
这本质上是一个学习算法，通过不断的学习，去逼近最终的函数。
