经典机器学习
深度学习存在的问题
- 不能一味扩充模型的大小，维度上升，特征数的上升，计算成本变高，也会导致过拟合等
- 很依赖数据，但是获取高质量的数据成本很高
贝叶斯
- 需要便利H，但是H可能很多，所以计算很难实现，所以后面引入朴素贝叶斯算法
KKT条件
等式不等式放在一起，叫做KKT条件。
支持向量机直到2012年被深度学习替代
SVM优缺点
优点
- 可以得到全局最优
- 通过kernal可以支持非线性
- 不会带来维度灾难
- 具有可解释性
缺点
- 计算复杂度比较高
- 本质上是一个二分类，如果需要进行多分类，需要按照二分类为单元
