机器学习动力源

从向量基出发，看我如何把自己带入机器学习的殿堂~
现接触的很多信号，曲线，都是用三维空间里的直角坐标系进行表示，那么自然而然，我们会好奇，一定要直角坐标系吗？由此引申出直线到曲线的变化，如果把直角坐标系变化为非直角坐标系又如何？如果是平面坐标变换为曲面又如何？非正交的直线或者曲面通常包含正交分量，也是因此任何曲线都能够通过正交三角基构造。通常我们描述三维空间中的一点，可以通过三个坐标，描述空间中的一条线可以通过很多个符合一定规律排列的点。常用的基向量是（0，0，1），（0，1，0），（1，0，0）。举这样一个栗子：我们现在站在整个三维空间的中心，通过向前一步走，向右一步走，向上一步走，我们到达了目的地。一共走了三步。那么，我们也可以通过向左上走，再向前上走，到达目的，前者一共走了两次，单位长度虽然与上个策略不同，但依然是可以看成这个空间坐标系的单位长度。两个对比起三个来要稀疏，在当下世界，一小步即可称为改善，创新，因此我们认为后者比前者更为先进。但是有这样一个问题：三维空间中的任何一个点都可以通过上下，左后，前后到达，也就是通过前边给出的基向量，但并不是所有的点通过左上，左下，右上，右下，前上，前下会比前者更快的到达，这需要符合所要表示的点距离原点的情景，而且，同时需要考虑的是，新建立的有利于手头任务执行的坐标系如何建立，以直角坐标系为基础，它需要怎样的角度变化，需要怎样的单位长度，是直or曲？这些通过人工计算是非常复杂的，但所幸的是，我们生在一个机器的时代，这些都可以通过控制计算机进行计算，通过对待处理任务特征的学习，训练计算出符合这一类任务最合适的坐标轴，然后用比常规简洁的多的方法表示结果。这就走到了机器学习层面，以现在的我来看，研究机器学习是为了寻找一个更能被机器高效执行的算法从而更好地满足人类的需求，简而言之是化繁为简，化抽象为具体~考虑到这里我开始恐慌，害怕我们沦为机器的奴隶，但大势所趋，太远的东西我们来不及考虑，或者说趁着地球还年轻我们任性一把……