多功能：

由于单一量预测不太准确，所以引入多向量，比如这个房子预测，现在有四个元素，就构造一个四维矩阵，表示法是：

某个向量；

某个向量的第几个个元素。

 

随之而来写法上又升级了，变成可以写多个向量，然后在表达的时候，可以很方便的用向量表达，但是我不是很熟悉数学上的转置，所以我没非常熟练。

 涉及到代价函数的时候，由于向量存在，所以表达方式可以优化到和原来一样

比较单一元素与多元素，发现是完全类似的，代价函数算法完全一致，就是多个单一元素的合体

 特征缩放：

说一下问题：一旦取值相差很大，一个是范围巨大，一个范围很小，那么就会导致图形异常肥大扁扁的，或者是很尖锐，很细长，在机器学习的时候，寻找最小值的时候都要因此增加很多个反复横跳的过程

 简单地缩放，可以得到更加好的线条，利于寻找最小点，把路径通过人为努力减小了。

关于缩放范围，在±3是合理的

 

 规则：数值尽量控制在一个正负区间，所以值变化

 然后u一般是平均值，然后s一般是最大最小差值，或者标准差也可以（虽然我没理解为什么标准差可以）

 

 学习率：

 正常情况下：竖轴代表学习离最小值距离，横轴代表学习次数，主要讨论学习力

 收敛速度快慢导致的问题

知识图谱定义：

规范数据关联网络

大数据视角，对于搜索引擎

 

知识图谱搜索引擎运用：

比如问G20峰会什么时候：

1：跳出很多条链接很容易，这是搜索引擎的算法

2：但是跳出一个明确的回答几月几号就很难，因为这个除了人工事先写入，是需要机器自己做判断的，所以是存在技术难度的，这个就需要知识图谱，形成关系网络

 

个性推荐：

通过个人关系，机器理解人的偏好

 

 额，听了1小时知识图谱，大部分都是商业运用，感觉有点机器学习小儿子的感觉，下一周就进入知识图谱的关系型数据库学习啦