机器学习的领域热点

对于机器学习(ml)，本***丝接触不多。今年大四，刚被保研到某学校。
导师是搞计算机图形学的，所以让我跟着一位博士学深度学习。介于最近比较热门，但是，本人的英文阅读能力还达不到那么高的水品。
对于模式识别的话，我先从KNN;bp神经网络开始学习然后在接着SVM,最后在学习深度学习。

花了大概10天的时间，利用Opencv 和KNN分类器，做出了一个基于MNIST手写数据集的识别DEMO。
识别率还是挺高的，达到了95-97%。但是用我自己写的数字的识别率很低。基本上9数字是很难识别出来。当然，现在还没有解决。

今天想查查资料，总结下机器学习的热点，对以后的学习有指导作用。

1.MCMC
就是Markov chain monte carlo。
介绍:MCMC方法主要是为了解决有些baysian推断中参数期望E(f(v)|D)不能直接计算得到的问题的。
其中v是要估计的参数，D是数据观察值。
作用:
在统计学中,会经常遇到积分计算问题,特别是高维积分的计算,用传统的数值方法往往很难解决高维积分计算问题,随着计算机的迅速发展,我们可通过随机模拟的方法解决高维积分计算问题。
随机模拟方法适用的范围非常广泛,它既能求解确定性的问题,也能求解随机性的问题以及科学研究中理论性的问题。
MCMC(Markov Chain Monte Carlo)方法是一种简单易行、应用广泛的计算随机模拟方法,该方法的核心思想是构造一个概率转移矩阵,建立一个以分布π(x)为平稳分布的 Markov链来得到π(x)的样本,通过随机抽样得到的这些样本就可进行各种统计推断。(有些概念，本吊也不是很懂)

2.ICML International Conference on Machine Learning的缩写，即国际机器学***会。
不是机器学习的热点。但是从它的一些最新发表的论文中，可以看出该领域的热点。这个论文库需要时刻关注。注册了个账号。没准以后用得上。
除了ICML 还有NIPS;
3.自然语言处理(NLP)，例如搜索，语音识别，语义识别，以及翻译都与他有直接或者间接的联系。
这个也是当今机器学习的一大热门。
4.SPARSE 还不太了解它的重要性。
5.submodularity 这是它的官网  http://submodularity.org/
6.Kernel methods 核方法是一种模式识别的方法。其目的是找出一组数据中的相互的关系。用途较广的核方法是SVM，高斯过程等。
等还有些关键词。
Probabilistic programming；Time series problem;Causal inference;等。

了解了这些趋势的领域，就知道下一步大概怎么学习，学习什么了。