1.1 引言

 

---

前言：

今天在学习yolov8的训练过程中的时候发现了很多不会的知识点比如：机器学习模型的整个生命周期——从数据摄取、模型训练到验证、部署和实际跟踪。这个生命周期我不记得了不得不开始重新学习机器学习，在学校的时候老师讲过这门课但是我大天朝的教学质量是世人皆知的，因此我准备把接下来的重点放在这一部分到机器学习模型的生命周期。

古语云——工欲善其事必先利其器

---

第1章 绪 论

1.1 引言

傍晚的小街上，湿润的路面散发着微雨后的清新气息，和煦的晚风轻拂，天边的晚霞渐渐铺展开来。嗯，明天看起来会是个好天气。我走到水果摊旁，挑了一颗根蒂蜷缩、敲起来浊响的青绿西瓜，满心期待着它的皮薄肉厚和甜美的果肉。在心里默想着，这学期我下了狠功夫，基础概念一清二楚，算法作业也信手拈来，这门课的成绩一定差不了！

---

我的感受：

这个老师还是很有意思的，南大的老师果然名不虚传。表面上看这位老师在讲故事说了一堆和本书无关的话，其实这本书的作者就是想引入机器学习的概念做个引子，这点和写小说的一些作者的思路很相似，相必这位书的作者也很爱看一些名著小说，当然这也是本人的一些条件有限下的不严谨推断 

---

希望大家在学期末的时候，也能拥有这种信心和满足感。作为开始，我们先来简单了解一下什么是“机器学习”（Machine Learning）。

经验的力量

回想一下刚才的情景，为什么我能通过看到微湿的路面、感受到微风和看到晚霞，就认为明天会是晴天呢？这是因为在我的生活经验中，很多类似的情况都表明，前一天的这些特征往往预示着第二天的好天气。同样，为什么一个根蒂蜷缩、敲声浊响的西瓜会让我认为它是个好瓜？因为我吃过、看过很多西瓜，凭借这些特征我能够做出相当可靠的判断。类似的，学习中通过扎实的努力、弄清概念和完成作业，我们也能推测出好的学习成绩。

我们之所以能做出这些预判，是因为我们从过去的经验中积累了许多信息，并且我们知道如何利用这些信息对新情况做出有效的决策。

计算机能帮忙吗？

这些判断是基于我们人类的经验完成的。那么，计算机能否帮助我们做出类似的推断呢？答案是肯定的。

[Mitchel,1997] 给出了一个形式化的定义：假设用 P 来评估计算机程序在某任务 T 上的性能。如果一个程序通过利用经验 E，在任务 T 中的性能得到了改善，那么我们就说该程序在任务 T 上学习了经验 E。例如，手动的推断过程可以交给计算机程序，它会根据过往的数据经验进行学习和改善。

什么是机器学习？

机器学习是一门致力于研究如何通过计算手段利用经验来改善系统性能的学科。在计算机系统中，经验通常以“数据”的形式存在，因此，机器学习主要研究的是如何通过算法从数据中产生模型（model），即学习算法（learning algorithm）。有了学习算法，我们可以提供经验数据，它就能基于这些数据产生相应的模型；当面对新情况时（例如一个未剖开的西瓜），该模型可以帮助我们做出判断（例如这是否是个好瓜）。

如果说计算机科学是研究“算法”的学问，那么，类似地，我们可以说机器学习是研究“学习算法”的学问。

总结

在本书中，作者将“模型”泛指从数据中学得的结果。有些文献可能将“模型”指代为全局结果（例如决策树），而用“模式”指局部结果（例如一条规则）。无论是哪种说法，核心都是通过机器学习的过程来构建一种可以帮助我们在新情况下做出推断的模型。

随着这本书的展开，我们会逐步深入机器学习的各个核心概念与应用，带你探索如何将数据转化为有价值的知识。希望你能从中受益，并在学习的旅程中不断取得进步。