神经网络与深度学习第2章：机器学习概述 阅读提问

1.什么是机器学习？

通俗地讲，机器学习（Machine Learning，ML）就是让计算机从数据中进行自动学习，得到某种知识（或规律）．作为一门学科，机器学习通常指一类问题以及解决这类问题的方法，即如何从观测数据（样本）中寻找规律，并利用学习到的规律（模型）对未知或无法观测的数据进行预测．

2.为什么训练集每个样本都要独立同分布？

知乎的问题：为什么机器学习中, 要假设我们的数据是独立同分布的?

3.机器学习三个基本要素？

模型，学习准则，优化算法

4. 为什么模型会过拟合？有什么防止模型过拟合的方法？欠拟合呢？

5.为什么要使用SGD，和mini-batch梯度下降？

6.为什么要使用Ridge Regression而不是vanilla的线性回归？

7.什么是最大后验估计？

8.偏差和方差的联系和区别是什么？

9.什么是有监督学习，什么是无监督学习，举例说明？

10.L1正则化为什么会导致稀疏特征？

11.F1分数什么时候使用宏平均，什么时候使用微平均？

12.为什么要使用交叉验证？

13.谈谈对no free lunch定理的理解

14.谈谈对奥卡姆剃刀原理的理解

15.什么是inductive bias（prior）？