[人工智能]day61-90

决策树：通过将决策拆成不同节点，以多叉树的方式储存，最后用这个多叉树进行决策。其优先级是首先把决定性因素尽量往前方，其次树越浅越好。

adaBoosting：分别训练若干个分类器，再对若干个分类器进行加权集成。训练惩罚机制是检查估计错误的点，将这些点惩罚力度提高再进行下一轮训练。

主动学习Alec：对数据集进行聚类，选择前N个进行标签查找，若该N个点值一致则认为这N点及附属点都为同属性。若存在不同结果，则将N个点中排名第一及第二的点分开分区块，重复上述步骤直到各点都被预测属性。

矩阵分解：先对每个点生成五个随机数，计算平均误差及平均方差并约束误差。

day71-80

BP神经网络ANN：根据固定的输入及输出数，构造中间基础的layer，将一层与下一层两两相连并每个连接计算独立的权重。设立惩罚值对错误路径进行惩罚。利用不同的激活函数，正向计算输出，反向计算误差及调整权重。

GUI：将神经网络中各个可以被调整的因素（如中间层节点数、惩罚值等）使得这些数据能够从外部调整，从而可以使用对话框进行控制。同时在对话框跳转时检查输入数据类型是否有误，检查低级错误。

day81-90：
卷积神经网络ANN：不再是单点作为输入和输出，而是用矩阵形式输入整张表格或图片数据，通过用更小的矩阵进行扫描，对扫描到的一个矩阵进行计算并作为下一轮的单点，将这些计算值放在新的矩阵中，再次用小矩阵进行扫描，逐步加权得到最终的输出。调整网络构造适应不同的数据输入，可对广泛的数据集使用。