周志华《机器学习》自学总结+Python实现之——序言+如何使用本书+绪论

序言

这部分提出了针对机器学习的6个问题和对应的思考：

1. 对符号学习和统计学习地位的解读，相关学者认为未来统计学习的方法应当强调与知识或者认知的结合，从而实现螺旋上升；

2.机器学习的“样本同分布”假设是否可以被突破？或许迁移学习可以解决这个问题；

3.深度学习并非是机器学习的新方向，其兴起是由于计算力的提高；

4.机器学习需要更高深的数学理论去推动；

5.离散方法和连续方法之间的联系需要进一步的数学理论支撑；

6.大数据对机器学习方法背后的数理统计方法有没有发生本质的变化，其对机器学习的影响有待进一步研究。

---

如何使用本书

这部分大意是指，读者应该通过这本书学习机器学习的思想，而不是仅仅把目光放在算法的实现上，应学习其中的道，才能以不变应万变，因此，作者建议读者在不同时期，用不同的心态多多阅读几遍，掌握算法背后的思想脉络，方能融会贯通。

---

绪论

1.机器学习的定义。

在计算机上从数据中产生学习算法，学习算法基于经验数据产生模型，模型帮助我们解决问题。

2.机器学习的基本术语。

数据集(data set)：待研究对象的样本集合，包含其属性/特征值。

样本(sample)：单个研究对象，包含其自身的属性/特征值。

属性(attribute)/特征(feature)：反映研究对象在某方面的表现或性质的事项，对应的取值为属性/特征值(value)，属性张成的空间称为“属性空间”（attribute space）、“样本空间”（sample space）或“输入空间”。

特征向量（feature vector）：例如我们把“色泽”“根蒂”“敲声”作为三个坐标轴，则它们张成一个用于描述西瓜的三维空间，每个西瓜都可在这个空间