Android应用开发中，需要考虑的情况是，如何优化电量使用，让我们的app不会因为电量消耗过高被用户排斥，或者被其他安全应用报告。
对于移动设备而言，有以下几种行为会导致设备电量的消耗增加
1.屏幕保持开启状态
2.蜂窝网络的频繁启动与关闭
可以先使用以下adb命令，生成我们应用的电量使用情况txt
|
1 2 3 |
adb kill-servers adb devices adb shell dumpsys batterystats --reset |
从电脑拔出手机，操作一会我们的目标app，再接上电脑
|
1 2 3 |
adb kill-servers adb devices adb shell dumpsys batterystats --reset |
然后再去[……]
Java提供了完善的垃圾回收机制，让程序员不用关心回收内存问题，但是在实际使用中，还是会出现内存回收不完全的问题。这时候android系统看到了内存使用居高不下，就会不断的增加分配内存，最后导致整个应用卡顿或者死掉。
由于java拥有gc机制，按道理来说，这样的内存泄露是不会发生的，但是为什么还是会产生这样的现象呢？因为我们的引用被一个已经不可访问的对象持有，导致gc无法正确识别，所以产生了内存泄露。
这里主要运用三个android sdk提供的工具来寻找和诊断
1.绘制的东西太多了
2.反复绘制的次数过多
我的学习算法有时候会面对大数据的考验，我们需要做一些优化才能保证速度
传统的梯度下降法每次会遍历整个集合，效率较低，随机梯度下降不必每次都遍历，效率较高
首先引入几个公式
1.随机排序数据集合
2.遍历随机的数据，使用如下公式进行学习
迷你梯度下降是一个折中的办法，不像梯度下降每次使用全部，也不是只使用一个数据。
迷你梯度下降一次只使用少量数据，一般范围是2-100
公式如下
我们怎么判断什么样的下降率a是合适的？我们如何确定已经到达了全局最优解的点？
我们可以每隔1000[……]
当我们有新的数据样本的时候，我们希望通过一个模型p(x)以及一个门槛值ϵ来判定这个样本是否是异常的。
高斯分布是一种可以被描述为
的类钟型线。
具体公式是
其中几个参数的计算如下
只有公式部分不同，其余部分均与高斯分布相同
何时使用异常检测
正样本较少，负样本多，正样本不够训练，且种类太多
何时使用监督学习
有大量的正负样本，我们有足够的正样本来训练，未来的正样本与现有的类似
推荐系统的目的是为了给用户推荐产品
这里有几个定义
nu 用户数量
nm 电影（产品）数量
r(i,[……]
非监督学习和监督学习相反，是一种无标签学习。
换而言之，我们不知道y的具体分类。
非监督学习适用于：
1.市场分割
2.社交网络分析
3.组织电脑集群
4.天文数据分析
K-Means算法是最广泛应用的自动分类算法。
具体过程如下
1.随机在数据集合中初始化两个点，叫做聚类中心
2.将整个集合分为两个子集，一个是对于中心1较近的点，一个是对中心2较近的点
3.将划分好的集合中的点求出一个平均值，把聚类中心移到这个点
4.重复2和3过程
我们的算法有时会在局部最优解停留，我们需要做的是重复随机赋值几次，来确保取到全局最优解。[……]
支持向量机是一种监督学习算法，有时比现有算法更加简洁高效。
回顾一下逻辑回归的代价函数
注意展开后的第一项
当 θTx远远大于1的时候，此项接近于0
当 θTx远远小于1的时候，我们可以用一条直线来替代sigmoid曲线，最终图形如下
对于第二项，我们的标尺是-1
小于等于-1的时候是0，大于等于-1的时候是一条直线，如下图
Kernels 允许我们在SVM上创建复杂的，非线性的算法
给出一个x，可以通过计算其与地标l1,l2,l3的相似度来选取是否增加为新的特征域
例如，高斯kernel如下
[……]
主要有五种措施
1.获取更多训练样本
2.尝试使用更小规模的特称
3.尝试增加特征
4.尝试使用多项式特征
5.增加或者减小正则参数λ
这时候我们需要使用一些方法来评估我们的假设是否合理。
首先，我们需要把训练样本分为两部分，训练集合和测试集合
接着做如下步骤：
1.使用训练集合训练参数集合Θ 以及最小化Jtrain(Θ)
2.使用测试集合运算误差Jtrain(Θ)
1.对于线性回归问题，按照如下公式
[……]
首先需要定义几个变量
L = 这个神经网络的总层数
sl= 第L层的单元数量
K = 输出层的单元数量
在神经网络中，我们的输出节点不止一个，我们用hΘ(x)k 来表示第k个输出
还记得逻辑回归的代价函数吗？
对于神经网络来说，代价函数更加复杂一些
反向传播算法是一种用于最小化代价函数的算法，正如我们在逻辑回归问题中使用的梯度下降算法一样。
引入一个新概念，error，
代表了第l层第j个节点的误差值。
对于输出节点来说，我们可以通过下面公式计算error
对于输出层之外的节点误差，我们可以用下面公式来计算
[……]
前面我们提到过线性假设，我们可以理解为在这种情况下，我们的函数在平面上的图形是一条直线
而非线性假设的函数表达，并非直线，其中一个例子如下
在我们大脑中，有许多叫做神经元的神奇的小东西，它有多个输入，多个输出，一个个的联结起来，构成了我们的神经系统。
神经网络算法为什么叫这个名字也是收到了这个东西的启发。
神经网络主要分三个层次，输入，中间，输出
一个简单的例子如下
那么，中间层（隐藏层)是怎样从输入层获取的呢？
见下图
其中Θ表示第几层，第几个参数，例如，（1）第一层，11第一行第一个参数，以此[……]
