为什么非要谈理想？我就想挣点钱

这本书包括监督学习、机器学习实践、无监督学习和深度学习四章。

第一章：监督学习

该章节介绍了线性回归、logistic 回归、朴素贝叶斯、支持向量机、决策树和 K - 近邻算法。

线性回归

线性回归是最常见且使用范围最广的一种机器学习技术。它是一种非常直观的监督学习算法。顾名思义，线性回归是一种回归方法，这意味着它适用于标签是连续值（如室温）的情况。此外，线性回归试图寻求与线性数据的拟合。

logistic 回归

现实世界中绝大多数问题都涉及到分类，比如图像标注、垃圾邮件检测、预测明天是否为晴天等。这里介绍的第一个分类算法是 logistic 回归。

朴素贝叶斯

朴素贝叶斯是一种优秀的机器学习模型。它之所以优秀，是因为它的核心假设可以用一句话来描述，但它在许多问题中都很有效。在深入了解朴素贝叶斯之前，这里首先探讨了判别模型和生成模型这两种机器学习模型的区别。

支持向量机

这部分探讨了支持向量机这种分类算法。21 世纪初深度学习兴起之前，支持向量机是人工智能领域的主流技术。即使在今天，支持向量机依然是用于新分类任务的最佳算法之一。这是因为它具有表示数据中多种类型统计关系的能力，并且易于训练。

决策树

决策树是一种出色的模型，它不仅功能强大，而且易于解释。实际上，该模型的基础结构与人类做出决策的方式非常相似。一些机器学习开发者认为决策树在新的问题域上提供了最佳的开箱即用性能。

K - 近邻算法

K - 近邻算法是一种监督学习模型。它没有正式的训练程序，因此它在模型中显得有些异常。正因如此，K - 近邻算法是一个解释和实现都相对简单的模型。

第二章：机器学习实践

控制模型偏见

构建监督学习模型背后有哪些理论支撑呢？这里探讨了偏差 - 方差权衡，这是机器学习中最重要的原则之一。

如何选择模型

模型选择过程中有哪些细节？这通常需要评估多个模型的泛化误差。这里主要关注的是，如何使用现有数据和建立的模型来选择最佳模型，而不考虑模型的具体细节如何。
 

Freund指出，“采用混合云，源自我们业务的动态需求。构建混合云可以帮助组织最大程度利用每种平台的优势，并根据可扩展性、可靠性、性能、业务连续性及成本等因素，选择将工作负载部署在何处。”4it公司也许适合这种方式，但不少企业的IT领导者可能并不熟悉这些往往相互冲突的具体需求。

仍然以4it为例，“动态”代表着其基础设施需求会迅速变化，特别是在获得或失去某位大客户的情况下。而智能云，正是实现这种灵活性的重要基础。Freund表示，“私有云让我们能够随时随地为自身及客户快速分配更多基础设施资源。”

与此同时，4it公司混合云基础设施可满足特定的业务诉求。他们使用裸机基础设施运行Active Directory以及涉及大型文件的时间敏感型数据恢复工作。Freund解释道，“对于相关数据高达5到10 TB的使用场景，将这些数据移动到云端或尝试通过云端副本进行恢复，必然耗费大量时间。”

该公司使用公有云承载特定的归档存储应用程序，并选择另一家云平台支持可公开访问的网站。最后还有协同托管基础设施：“我们在波士顿使用另一处基础设施存储异地备份，并托管非关键的静态持久性工作负载。这些负载需要更大的存储空间，而实际运营成本却远低于公有或私有云。”

应用程序现代化

来自Snow公司的Jamensky指出，混合云包含几种常见或者说典型的用例，例如处理容量峰值，或者管理细粒度数据驻留或安全要求。但除此之外，Jamensky认为应用程序现代化正成为混合云优势的一大集中体现。

直接迁移是云迁移中的一种方法，也是企业“偶然”选择混合云的常见途径。但随着时间推移，Jamensky认为企业应该考虑如何选择其他现代化方法，以此更好地支持自身业务。Jamensky提到，“当然，很多企业正持续将工作负载从私有云迁移至公有云，这相当于推动现有工作负载的混合云转型。但要真正发挥公有云的优势，必须考虑在概念上重组或重构现有应用程序。”

这种意图明确的混合云策略可帮助企业优化自己的应用程序现代化策略，而不再单纯依赖于难度更低、速度更快的短期缓解性举措。使用混合云推动应用程序现代化方法(除了IaaS之外，此类方法还充分使用PaaS及其他云技术)才能带来长期收益，而不应仅仅满足于“将应用程序迁移到云上”。

Jamensky最后总结道，“企业能够借此改善业务连续性，更重要的是，可以借此建立真正的业务敏捷性。这种敏捷性已经与DevOps实践并驾齐驱，有望真正改变应用程序交付与运营团队的基本定位。”

（编辑：甘孜站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!