20171106即将开启的一段艰难的旅程
时光流逝，似乎一切一切都是命中注定的故事
2014年7月入职到****，2015年9月离职去乐视，这一年里接触了文本挖掘，但是自己做的并不好，完全是懵懵懂懂的状态下给别人当小弟，还是被看不起的小弟！所以那时候觉得很害怕，觉得自己真的做不好这个，这个太难了！
2015年9月入职乐视，2015年11月离开乐视休假待产，在乐视短短不到2个月的时间里其实更多的是折磨，因为迷茫，因为害怕那可怕的算法！所以选择了逃避
2017年5月入职京东，或许这就是职场，简历中写着算法相关的工作经验，用人单位就希望你往这方面继续走下去，或许我的立场太不坚定，或许我真的需要一份工作，所以我选择了接受能够接受我的任何工作，所以我就开始搞算法了！那时候自己多么希望摆脱算法啊！
2017年11月原来的分析部门工作方向转变了，我面临着两个选择，一是去跟业务，做一些数据分析的工作，繁琐但是没有算法！ 二是去数据挖掘团队做算法！不得不说老天爷待我挺好的，给了我一次选择的机会，但是不懂自己到底是迫于什么压力选择了第二种去路！就这样来到了数据挖掘团队！开始正式全面的与算法接触，没有可以逃避的地方了！
真的想说这是天意呢还是自己的选择呢！其实我应该果断选择容易的数据分析工作，但是当一份容易一份难的工作摆在那里的时候，我还是毅然决然的选择了难的工作！
其实我是一个妈妈，我应该悠哉一些，工作是副业陪着孩子成长才是真主业！但是我怕我怕将来我后悔自己没能克服自己的软弱！一次次的我都败下阵来，这次交锋我真的不想再一次的丢盔弃甲的逃离了！
所以我又开始了机器学习之旅，不要负担不要害怕简单的去学习去努力，做到哪里是哪里，起码我尝试了我努力了！结果就没有那么在意了！我希望三年之后我再来看这篇文章的时候自己已经是一个成熟能干的机器学习人才！
在此还是感谢下我想感谢的人吧！
我的****老大：张兵兵
不因为我两年没有工作给我机会的数据分析一组老大：杨舒宁
团队调整，欣然接受我的小宇哥：王小宇
在我初学习阶段一直被我骚扰的NB同事：马云龙、张美琦
一直一直帮助我，教会了我很多的小NB同事吉吉：孙喆
谢谢以上所有，我也会永远记得你们的！
new start.....with no fear!
今天读了好多文章，神经都有点错乱了！
总得感觉就是一句话：特征提取很重要，算法大多是现成的！
但是整体感觉我在算法的应用上还是有很多不知道的！往往是看到网上的离职，然后把代码copy下来学习下，发觉并不是很难，但是算法的一些应用就不知道了！有算法但是不知道在哪种场景里应用合适！
特征提取这块，对于非量化的特征不知道该如何量化！
机器学习路漫漫，希望自己坚持下来，被人看不起不要紧，重要的是自己一直在努力一直在学习向上！
最近看了一篇文章，里面有段结算机器学习是什么的故事，感觉挺好的把它贴过来~
http://www.cnblogs.com/hellochennan/p/5423740.html
1.一个故事说明什么是机器学习
机器学习这个词是让人疑惑的，首先它是英文名称Machine Learning(简称ML)的直译，在计算界Machine一般指计算机。这个名字使用了拟人的手法，说明了这门技术是让机器“学习”的技术。但是计算机是死的，怎么可能像人类一样“学习”呢？
传统上如果我们想让计算机工作，我们给它一串指令，然后它遵照这个指令一步步执行下去。有因有果，非常明确。但这样的方式在机器学习中行不通。机器学习根本不接受你输入的指令，相反，它接受你输入的数据! 也就是说，机器学习是一种让计算机利用数据而不是指令来进行各种工作的方法。这听起来非常不可思议，但结果上却是非常可行的。“统计”思想将在你学习“机器学习”相关理念时无时无刻不伴随，相关而不是因果的概念将是支撑机器学习能够工作的核心概念。你会颠覆对你以前所有程序中建立的因果无处不在的根本理念。
下面我通过一个故事来简单地阐明什么是机器学习。这个故事比较适合用在知乎上作为一个概念的阐明。在这里，这个故事没有展开，但相关内容与核心是存在的。如果你想简单的了解一下什么是机器学习，那么看完这个故事就足够了。如果你想了解机器学习的更多知识以及与它关联紧密的当代技术，那么请你继续往下看，后面有更多的丰富的内容。
这个例子来源于我真实的生活经验，我在思考这个问题的时候突然发现它的过程可以被扩充化为一个完整的机器学习的过程，因此我决定使用这个例子作为所有介绍的开始。这个故事称为“等人问题”。
我相信大家都有跟别人相约，然后等人的经历。现实中不是每个人都那么守时的，于是当你碰到一些爱迟到的人，你的时间不可避免的要浪费。我就碰到过这样的一个例子。
对我的一个朋友小Y而言，他就不是那么守时，最常见的表现是他经常迟到。当有一次我跟他约好3点钟在某个麦当劳见面时，在我出门的那一刻我突然想到一个问题：我现在出发合适么？我会不会又到了地点后，花上30分钟去等他？我决定采取一个策略解决这个问题。
要想解决这个问题，有好几种方法。第一种方法是采用知识：我搜寻能够解决这个问题的知识。但很遗憾，没有人会把如何等人这个问题作为知识传授，因此我不可能找到已有的知识能够解决这个问题。第二种方法是问他人：我去询问他人获得解决这个问题的能力。但是同样的，这个问题没有人能够解答，因为可能没人碰上跟我一样的情况。第三种方法是准则法：我问自己的内心，我有否设立过什么准则去面对这个问题？例如，无论别人如何，我都会守时到达。但我不是个死板的人，我没有设立过这样的规则。
事实上，我相信有种方法比以上三种都合适。我把过往跟小Y相约的经历在脑海中重现一下，看看跟他相约的次数中，迟到占了多大的比例。而我利用这来预测他这次迟到的可能性。如果这个值超出了我心里的某个界限，那我选择等一会再出发。假设我跟小Y约过5次，他迟到的次数是1次，那么他按时到的比例为80%，我心中的阈值为70%，我认为这次小Y应该不会迟到，因此我按时出门。如果小Y在5次迟到的次数中占了4次，也就是他按时到达的比例为20%，由于这个值低于我的阈值，因此我选择推迟出门的时间。这个方法从它的利用层面来看，又称为经验法。在经验法的思考过程中，我事实上利用了以往所有相约的数据。因此也可以称之为依据数据做的判断。
依据数据所做的判断跟机器学习的思想根本上是一致的。
刚才的思考过程我只考虑“频次”这种属性。在真实的机器学习中，这可能都不算是一个应用。一般的机器学习模型至少考虑两个量：一个是因变量，也就是我们希望预测的结果，在这个例子里就是小Y迟到与否的判断。另一个是自变量，也就是用来预测小Y是否迟到的量。假设我把时间作为自变量，譬如我发现小Y所有迟到的日子基本都是星期五，而在非星期五情况下他基本不迟到。于是我可以建立一个模型，来模拟小Y迟到与否跟日子是否是星期五的概率。见下图：
图3 决策树模型
这样的图就是一个最简单的机器学习模型，称之为决策树。
当我们考虑的自变量只有一个时，情况较为简单。如果把我们的自变量再增加一个。例如小Y迟到的部分情况时是在他开车过来的时候(你可以理解为他开车水平较臭，或者路较堵)。于是我可以关联考虑这些信息。建立一个更复杂的模型，这个模型包含两个自变量与一个因变量。
再更复杂一点，小Y的迟到跟天气也有一定的原因，例如下雨的时候，这时候我需要考虑三个自变量。
如果我希望能够预测小Y迟到的具体时间，我可以把他每次迟到的时间跟雨量的大小以及前面考虑的自变量统一建立一个模型。于是我的模型可以预测值，例如他大概会迟到几分钟。这样可以帮助我更好的规划我出门的时间。在这样的情况下，决策树就无法很好地支撑了，因为决策树只能预测离散值。我们可以用节2所介绍的线型回归方法建立这个模型。
如果我把这些建立模型的过程交给电脑。比如把所有的自变量和因变量输入，然后让计算机帮我生成一个模型，同时让计算机根据我当前的情况，给出我是否需要迟出门，需要迟几分钟的建议。那么计算机执行这些辅助决策的过程就是机器学习的过程。
机器学习方法是计算机利用已有的数据(经验)，得出了某种模型(迟到的规律)，并利用此模型预测未来(是否迟到)的一种方法。
通过上面的分析，可以看出机器学习与人类思考的经验过程是类似的，不过它能考虑更多的情况，执行更加复杂的计算。事实上，机器学习的一个主要目的就是把人类思考归纳经验的过程转化为计算机通过对数据的处理计算得出模型的过程。经过计算机得出的模型能够以近似于人的方式解决很多灵活复杂的问题。
下面，我会开始对机器学习的正式介绍，包括定义、范围，方法、应用等等，都有所包含。