Representation Learning 应该准确翻译成什么？表征学习？来自大神Yoshua Bengio的一篇总结性的文章《Representation Learning：A Review and New Perspectives》，这个方向风向如何？

小白初入统计大门，问题有点多，求大神指教～——————— Logistic回归除了检验各系数的显著性（p 值），似然比检验外，还有哪些检验模型拟合优度的方法？ 如果使用logit建立评级体系（分类）除了ROC曲线及c统计量（AUC）外，还有哪些指标和方法评价模型的质量？ 最后R中是否有完备的包处理Logit回归呢？

我们在机器学习的案例中经常会陷入一种情况，即数据量不足，或者在维度过高的情况下，数据量相对不足。如果是维度过高造成的数据量不足（维度灾难），我们可以用降维的方式来“缓解压力”，但是在某些情况下，即使降维之后，我们依然没有足够的数据。比如一次调查中，我们只获得了几千份样本，那么，在数据量已经固定且很少的情况下，我们可以用什么方法，或者哪种模型来取得更好的预测性能？为什么？

如题所示，大家觉得在模型训练中，正负样本选取已那种比例比较好，是基于样本的分布选取比例，还是直接1:1，或者与模型有关呢

和其他主流的聚类算法有什么区别？为什么数据挖掘和机器学习的书籍中都很少提到？

基本没用过百度的翻译，都是用谷歌翻译和有道词典，他这个获奖水分如何？

一般搜索结果是按照和查询词的相关度排序的；但是电商搜索中会要求按照价格，销量什么的排序，这样怎么保证排在前面的商品和查询词有较高的相关度呢？

最近在做一个给风景照打分的作业，但是对图像处理和计算机视觉领域还是门外汉，想请问一下各位有经验的大神，对这类问题一般使用什么样的图像特征进行训练？或者有什么参考资料？谢谢！

想打算申请出国读博，但是美帝太难了。我的方向是机器学习相关的吧，请问欧洲有哪些机器学习比较强的可以申请的大学或者研究机构的呢？有哪些大牛呢？

如果原始数据集N个样本点，我建K棵树，需要K个样本集，每个样本集的样本点个数是多少？也是用bootstrap无放回抽样选N个吗？