要实现大家真正先要的那个程度的人工智能，只有机器学习就够了吗？为什么没人开发新的学科？只要继续发明新的机器学习算法就能够达成那种程度的AI了吗？

鄙人研究生一枚，仍没确定好细的研究方向，发现并没有什么科研潜力。现在希望能深入学习一下目前比较火的，企业需要的方向，为找工作而准备。大家有什么好的意见或者建议么？

主元分析方法中，对主元特征向量的选取一般按照累计方差贡献率达到85%所对应的特征向量作为主元，但是查阅了很多资料，也没有很具体的介绍为什么要设定为85%，只有人模糊地说，达到85%就说明保留了主要的信息，我想弄明白为什么要这样选择，或者想研究研究怎么样选取主元特征比较合适。。

很多人都推荐说 MIT 的 Deep Learning 是比较权威的一本学习 深度学习 的书。 大家怎么看？此书还未出版，详见官方网站 ： Deep Learning

比如说LR回归里面有个 城市变量，那么这个城市变量下面有1000个多个值。这么多值的分类变量模型能够进行很好的运算么？或者有没有其他好的处理方式？？

如题，一个机器学习分类算法，假设之前的类别标签是1,2,3.如果我现在改成1,3,6.会影响分类器性能吗？求解释，谢谢！

大半年过去了，数据挖掘无疑是充满想像力的工作，不过我还是转行做软件开发了。linux和windows系统编程。感觉这方面我比数据分析专业得多。转行的原因主要有两个吧1公司没多少数据，2数学不过硬。谢谢各位大佬的建议===如题，希望各位大侠给点建议，少走点弯路。在下并非纯正cs血统，找工作的目标是后台开发，面试时也是冲着这个来的。 算法，系统，网络，编译原理这些学得还过得去吧，但是入职后却被安排做数据挖掘这块。 在下对这方面基本一窍不通，也想不明白为什么会被安排这个工作，在下只是想开发些软件，写点小代码。 男人不能说不行，只能上了，目前在看‘数据挖掘导论’，感觉hard，主要是数学忘记得差不多了。 说实话，在下的性趣不在数据分析，对数 […]

如题，不通过核函数升维

在图像识别中,用到很多特征抽取的方法, 可是每一个图片所抽取出来的信息不一样, 例如一个建筑,它所包含的信息量有100个, 而一朵花却没有那么多个, 如果进行分类器训练,我们的特征数目不一致,那要如何去解决呢?求教!