针对团队作业要求学习
遗传算法：一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，非常适用于处理传统搜索方法难以解决复杂和非线性优化问题。
基本思想：模拟自然界的繁殖，交叉，基因突变的现象，在每次迭代中保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子对个体进行组合，产生新的候选解群，重复此过程
到满足某种收敛指标为止
遗传算法的求解步骤 1：初始化群体； 2：计算个体适应度值； 3：按适应度值选择下一代个体； 4：按交叉概率进行交叉操作； 5：按变异概率进行变异操作； 6：未满足停止条件，则转2； 否
转7； 7：输出最优染色体作为问题最优解 终止条件： (1)完成预先给定进化代数；(2)连续若干代没有改进
机械学习：
机械学习分为监督学习：回归，分类
无监督学习
强化学习
半监督学习
监督学习：从给定的有标注的训练数据集中学习出一个函数，当新的数据到来时可以根据这个函数预测结果，常见任务包括分类与回归
回归：输出连续值
分类：输出类别标签
推测离散的输出值
无监督学习：没有标注的训练数据集，需要根据样本间的统计规律对样本集进行分析，常见任务如聚类等
增强学习：外部环境对输出只给出评价信息而非正确的答案，学习机通过强化奖励动作来改善自身的性能。
半监督学习：结合少量的标注训练数据和大量未标注数据来进行数据的分类学习
神经网络相关知识学习
常见的深度学习网络
多层感知机（MLP）
卷积神经网络(CNN)
循环神经网络(RNN)
长短时记忆网络网络(LSTM)
实质是一个非常复杂的非线性数学计算结构，它可以拟合各种复杂的规律
x为输入。w为输入对应的权值，b为偏置，为一个常数，没有权重，可以将其看作权重固定为1的输入