特徵提取和理解監督式學習的一些方法
特徵提取：
特徵提取：
意思是在機器學習、模式識別和圖像處理中有很多的應用。特徵提取是從一個初始測量的資料集合中開始做，然後建構出富含資訊性而且不冗餘的導出值，稱為特徵值(。它可以幫助接續的學習過程和歸納的步驟，在某些情況下可以讓人更容易對資料做出較好的詮釋。特徵提取是一個降低維度的步驟，初始的資料集合被降到更容易管理的族群(特徵)以便於學習，同時保持描述原始資料集的精準性與完整性。
意思是在機器學習、模式識別和圖像處理中有很多的應用。特徵提取是從一個初始測量的資料集合中開始做，然後建構出富含資訊性而且不冗餘的導出值，稱為特徵值(。它可以幫助接續的學習過程和歸納的步驟，在某些情況下可以讓人更容易對資料做出較好的詮釋。特徵提取是一個降低維度的步驟，初始的資料集合被降到更容易管理的族群(特徵)以便於學習，同時保持描述原始資料集的精準性與完整性。
理解監督式學習的一些方法：
理解監督式學習的一些方法：
觀察完一些事先標記過的訓練範例後，去預測這個函數對任何可能出現的輸入的輸出。要達到此目的，學習者必須以"合理"的方式從現有的資料中一般化到非觀察到的情況。
觀察完一些事先標記過的訓練範例後，去預測這個函數對任何可能出現的輸入的輸出。要達到此目的，學習者必須以"合理"的方式從現有的資料中一般化到非觀察到的情況。