机器根本不会学习，所谓的“机器学习”只是在寻找一个数学公式

在开始之前我们要澄清一个事实————机器根本不会学习， 所谓的 “机器学习” 只是在寻找一个数学公式。找到之后， 我们可以利用该公式和一组输入数据 （ 训练数据） 进行运算，并与正确结果进行比较( 我们希望该公式能对大多数新的 （不同于训练数据）、 取自相同或相似统计分布的输入数据进行正确运算。

为什么我们认为这不算学习呢？原因是，如果输入数据 发生微小改变，那么新的运算结果可能与正确结果截然不同。相比之下动物的学习就完全不同，比如很多人喜欢在计 算机或手机上玩游戏。如果在正常的屏幕上会玩这个游戏， 那么屏幕稍微倾斜或者旋转时也不太会影响我们玩游戏。如果换成一个机器学习的算法来玩呢？除非它是专门用来识别屏幕变化的算法’ 否则很可能无法在屏幕发生变化的情况下正常游戏。

既然如此，我们为什么还要叫它“机器学习”呢？这个名称在很大程度上是一个市场宣传噱头。“机器学习”概念由美国计算机游戏和人工智能领域先驱之一亚瑟 塞缪尔（Arther Samuel）在1959年首次提出。当时他就职IBM。这个在当时很酷炫的概念帮助公司吸引了客户和高水平员工。后来，IBM又在2010年左右年左右提出了“认知计算”（Cognitive Computing）的概念，再次助公司在激烈的竞争中占得先机。

正如人工智能不是真正的智能，机器也不能真正学习。然而，这并不影响“机器学习”逐渐成为一个被广泛接受的名词——构建一种计算机系统的科学和工程方法。使用“机器学习”构建的系统，无须明确地用指令编程，即可输出正确结果。总而言之，机器的“学习”只是一种比喻，并非实际意义上的学习。

本书中《机器学习精讲》中，都能带给您哪些知识呢？

本书用简短的篇幅、精炼的语言，讲授机器学习领域必备的知识和技能。全书共11章和一个术语表，依次介绍了机器学习的基本概念、符号和定义、算法、基本实践方法、神经网络和深度学习、问题与解决方案、进阶操作、非监督学习以及其他学习方式等，涵盖了监督学习和非监督学习、支持向量机、神经网络、集成学习、梯度下降、聚类分析、维度降低、自编码器、迁移学习、强化学习、特征工程、超参数调试等众多核心概念和方法。全书最后给出了一个较为详尽的术语表。 本书能够帮助读者了解机器学习是如何工作的，为进一步理解该领域的复杂问题和进行深入研究打好基础。本书适合想要学习和掌握机器学习的软件从业人员、想要运用机器学习技术的数据科学家阅读，也适合想要了解机器学习的一般读者参考。

本书读者群：

本书适合想要学习和掌握机器学习的软件从业人员、想要运用机器学习技术的数据科学家阅读，也适合想要了解机器学习的一般读者参考。

目录结构：

• 第 1章 绪论1
• 第2章 符号和定义10
• 第3章 基本算法26
• 第4章 算法剖析43
• 第5章 基本实践53
• 第6章 神经网络和深度学习77
• 第7章 问题与解决方案96
• 第8章 进阶操作122
• 第9章 非监督学习135
• 第10章 其他学习形式154
• 第11章 结论167
• 术语表 172

【京东购买】　【当当购买】

实体书排版：