机器学习引论

机器学习是一个我以前从来不懂得概念，现在开始要好好学习。以前也有听过什么是机器学习，现在又给忘了。。。

1. 机器学习缘起：大数据。现在只要出门，摄像头、手机定位、社交媒体只要我们生活在这个社会每天每个人都会产生巨大的数据量。这些数据分辨率很高，存储能力强，采集手段多样，数据的传播模式日新月异，数据生产门槛低，数据存储单位多（不仅数据产生者可以存储，浏览者、传输者也可以），数据深度利用门槛高（从一大堆数据中获取对自身有用的知识，如百度搜索）。那我们希望从大数据中的到什么？希望通过大数据能够加深对世界的认识，提高生产效率和生活质量；从大数据中提取相关知识，特别是具有泛化能力的知识（泛化能力：经过训练的网络对于不是样本集的输入也能给出合适的输出）；大数据处理能力超过了人的能力，所以产生机器学习。---------数据量太大，人处理不了了，人教机器一些规律，然后机器按照这个规律给我去处理类似的情况，反馈给我一个结果即可。果然懒是人类进步的阶梯...
2. 定义：计算机系统能够利用经验提高自身的性能；学习就是一个基于经验数据的函数估计问题；提取重要模式、趋势，并理解数据，即从数据中学习（统计学）。三者都强调的是从经验或者数据中提取知识。从人的角度看：数据是知识的外在指称，知识是数据的内蕴表示。------按照我的理解就是：机器我教你一些规律，你用这个规律去看看别的数据，给我得出个结论。就酱
3. 机器学习的基本框架：数据表示；学习判据；学习算法；学习结果评估
4. 数据表示：给定n个对象的特性表示。特征矩阵，相异性矩阵，相似性矩阵。------把收集到的一些数据转换成机器能懂得数据，机器看不懂图片，听不懂语音，所以要转换。
5. 学习判据：判断学习结果好坏。目标函数，用来评估学习的知识空间中个元素对于具体数据集的拟合程度。------学习统计学习方法这本书好像就是干这个事的，我用训练集教你，得出一个模型啥的...
6. 学习算法：搜寻学习结果。依据目标函数，根据优化算法找出最优化知识表示的过程。------用验证集调整参数得到一个最优算法
7. 学习结果评估：评估学习效果。很多时候学习算法不能得到最有结果，只能局部最优或者满意解，学习到的结果是否满足实际需求，还要进行评价。------用测试集来评估最后的学习结果

第一节课就大概介绍了一下机器学习，没什么太难的内容。现在就是第一步将图片等特征化....然后后面的再慢慢补充吧

计划：学习李航老师的《统计学习方法》，于剑老师的《机器学习：从公理到算法》，周志华老师的《机器学习》分别记录学习过程以及笔记

 

结果只用把《统计学习方法》学好就已经很棒了，于剑老师和周志华老师的书没看