每篇一格言：

苟日新，日日新，又日新

——《礼记·大学》

前言

2019年的热点当然是人工智能了。作为人工智能的重要分支，机器学习方兴未艾。本篇介绍机器学习的基本概念与理解方法。

什么是机器学习

广义概念

按博主的理解，机器学习是指让计算机从数据中获得认知能力。这种认知能力更像是柏拉图提出的哲学命题：
我是谁 ——理解概念
从哪里来 —— 认识过去
到哪里去 —— 预测未来

这种认知能力可以是计算机从数据中产生一种模型，去识别一只猫；或者判断一个人是否会生病。

狭义概念

什么叫做“学习”？

Mitchell(1997)提供了一个简洁的定义:“对于某类任务T和性能度量P,一个计算机程序被认为可以从经验E中学习是指,通过经验E改进后,它在任务T上由性能度量P衡量的性能有所提升。”

由于这个定义比较拗口，我们不妨换一种方式描述：
计算机初始执行某类task的performance（假设跑分）是100；
计算机通过获取experience，再执行该task的peformance（假设跑分）是100+；
因而可以认为计算机从experience中学习了。

监督学习算法和无监督学习算法

既然机器学习是从经验中获得，因而根据不同的经验，机器学习算法可以分为监督学习算法和无监督学习算法。两者的区别是，有没有提供指导给计算机，告诉它应该怎么做。

监督学习算法

以计算机学习驾驶为例。如果计算机跟随驾驶经验丰富的人类司机学习，每到一个路口，路况以及人类司机的驾驶操作数据被记录下来，随着经验积累，计算机学会了应对不同路口的操作方法。这样的学习方法称为监督学习。 这个例子中，所有路况和司机操作被称为数据集。计算机从数据集中获取经验。每一个路况和司机操作称为样本。

监督学习算法训练含有很多特征的数据集,数据集中的样本都有一个标签或目标。上面的驾驶例子中，每个数据样本都有一个隐含标签，那就是“正确的操作方法”。

无监督学习算法

仍然以计算机学习驾驶为例。如果将所有人类司机（包括新手和肇事司机）的行车记录和操作数据提供给计算机，让计算机寻找有用的讯息。计算机可能会学习到如何更好的驾驶，或者如何驾驶更省油。这样的学习方法称为无监督学习。

无监督学习算法的数据集样本不含有标签或目标，需要计算机从数据中发现有用的讯息。

线性回归

在传统编程时，我们给计算机一个规则，输入参数，计算机输出结果。这个规则可以看作是一个函数f.
现在问题反过来了，我们把一堆参数和结果提供给计算机，计算机能否算出它们之间的规则f呢？（如果存在的话）

顾名思义,线性回归解决回归问题。换句话说，将向量x作为输入，通过计算输出一个线性函数f。

f=（wT）x   ，其中wT是向量w的转置

w是参数向量。

未完待续。

本文为博主原创。别忘了点赞，每天进步一点点~