麦辛妮·莱恩。 AcomputerProgramissaidtolenfromexperience
上面的概念不可避免地有一些抽象来理解机器学习实际上可以与人类学习相比。 假设一个场景：父母教三岁的孩子知道西瓜是什么。 首先，父母应该给他们的孩子看西瓜，并告诉他们这是西瓜。 这个过程抽象成以下流程图。
机器学习是什么？
儿童的学习过程是通过一些观察和自我总结来识别什么是西瓜。
机器学习类似于数据学习，具有一定的技能。 技能是什么？ 技能是某种性能的改进，例如，我每天都有射门技巧。 。
对于不同的问题，我们选择机器学习的原因是不同的。这些问题可以根据人类的困难分为两类。
1.这是一个非常简单的问题。
例如，识别手写数字是人类的一个非常容易的问题，所以我们为什么要使用机器来学习呢？ 因为我们可以让机器通过机器学习来帮助我们做这些单调乏味的工作，这样机器就可以识别手写数字。 我们可以让他们分类这封信。 如果我们进一步允许机器掌握识别和理解地址信息，我们甚至可以使用机器对快递进行分类。
2.非常复杂的问题。
例如，根据用户信息向不同用户推荐不同的广告。 这对人类来说几乎是不可能的，因为不同的用户有不同的特点。如何从这些数量特征中判断每个用户的偏好是什么？ 用户的偏好可能会改变，例如一些用户去年喜欢吃西瓜，今年他们讨厌西瓜。 因此，从大量数据中人工总结的规律是非常有限的，使用机器学习使这种问题变得容易。
1.有一些隐含的模式，可以学习。
给出一个相反的例子：预测一个婴儿下次会哭几分钟或几分钟。 这几乎是一个随机事件，所以没有隐含的模式，所以你不能使用机器学习来回答它。
2.总结法律并不容易。
如果定律很容易总结，当然，你不必使用机器来学习直接代码来实现它。
3.有相关数据..
给出一个反例：预测世界末日何时到来。 很明显，这个问题不能通过机器学习来回答，因为我们没有世界末日的数据。
机器学习的组成。
上图可以看作是整个机器学习过程的组成。
首先，根据我们的数据，他们的形式是x到y，例如，我们的问题是预测房子的价格。 嗯，我的X，包括房子的面积，房子的地板，电梯的房间等等。Y是房子的价格。 正是由于某种规则，我们得到的数据与培训集的每一个x相对应。 我们使用F来表示X到Y的映射关系(即隐含规律)。
那我怎么才能得到这个f呢？ 一般来说，我们首先将范围扩展到假设集合(称为H)，例如，我们认为房价与其所有特征都是线性的。 所以这个假设集合是一个线性的假设集合，所以如何在这个无限的假设集合中找到我们想要的f。 然后我们需要通过机器学习来实现这个算法。
所以我们才能得到F。 答案是否定的，因为大多数时候，由于数据噪声和其他原因，我们无法获得精确的F,只能获得映射关系G。 所以G最接近这个f，我们称之为最终预测。
一般来说，为了获得隐含的规律，机器学习通过算法对培训集合进行培训，使预测规律最接近隐含的规律。
机器学习。
使用数据计算近似的隐性预测法。
数据挖掘。
使用大量的数据来寻找有趣的数据特征。
机器学习与数据挖掘有关。
如果数据挖掘的目标是在数据之间找到隐藏的规律，那么数据挖掘与机器学习是相同的。 然而，传统的数据开采始于大数据的高效计算。 例如分布计算框架。
人工智能。
让电脑像人一样工作。
机器学习与人工智能之间的关系。
机器学习是实现人工智能的一种方法。此外，还有其他方法来实现人工智能。
统计数字。
使用数据预测unknown过程。
机器学习与统计学习之间的关系。
统计学的许多知识可以从机器学习中学习，但机器学习中有许多算法不是基于统计学的。
参考数据。
机器学习基石(来自YouTube)。
- 上一篇：来深圳给你一张美食地图
- 下一篇：朗木寺 这是神圣的天堂