2019/01/28
我觉得我之前的时候，都对机器学习的认知上有一些误解。一直以来，大家都说，甚至各种论文他们利用机器学习的任务，无外乎回归、分类、聚类等这些任务。机器学习最开始提出来的时候[1950+]，并不是为了这样的任务。提出这个观点是的IBM的员工，他试图让机器自己从经验中学会下棋。
机器学习各种素材的内容都太多了，特别是那本《概率视角的机器学习》，他们在讲的时候，又是从数学的角度来理解。如果是从人比较容易理解的话语角度，我觉得应该是让机器具有泛化能力，这些话有些书上也已经说的很明白了。不过，看书的时候很容易陷进去。最近我是看机器学习与游戏的时候想到的这些内容，转而想想到以前的那些分类问题。
举一个比较实在的例子，你碰到一个特征空间的实例的时候，这个算法应该思考的是什么，决策树是思考的就是类似规则的形式；支持向量机思考的就是分类边界。但是如果讲这些情况类比到游戏中呢，以往的时候，最初玩游戏是利用状态空间进行建模，然后搜索算法发挥作用；后来采用了机器学习的概念应用。将机器学习用于游戏中呢，如果单单利用分类这种来类比，可能比较受限，更准确的说，强化学习应该更适用。但假设我们来思考这个问题，那就是说，我们将每个状态空间作为特征输入，然后得到动作来进行输出，这个过程还是跟分类很类似的。
逐渐往深入研究，你也可以想到过拟合的时候是一种什么情况。
但如果需要思考具体的内容，比如特征选择的过程， 就好像有点不简单了，这部分还需要经验。
（我怎么感觉这些内容我都写过呢。）