机器学习第一期·什么是机器学习

“A computer program is said to learn from experience E with respect to
some class of task T and performance measure P, if its performance at
tasks in T, as measured by P, improves with experience E.” ——Tom
Mitchell’s Definition of Machine Learning.

意思就是，如果定义经验E和与之相对应的任务T，还有评判标准P，当经验增长的时候，用P去判定经验，然后程序完成任务的能力就会变强。
这个定义非常拗口。但我们也不需要去管。让我们用标准的下定义的语句对机器学习做个定义。
机器学习，是一种利用统计学、神经网络等方法，实现对数据分类的一种计算机科学。
机器学习，其目的，就我了解而言，就是要实现分类（Classify），或者说模式识别（Pattern Recognition）。比较常见的机器学习系统如图像处理、推荐系统等，其本质都是对数据进行分类。
举一个比较经典的栗子。在NBA比赛中，我们需要预测A队与B队比赛的胜负。这个时候，我们就要先收集两队之前对战的各种信息，然后丢到程序里让它学习，最后我们再给定这次对战的条件，程序就会告诉我们这次谁赢的几率高。这就是一个分类问题。我们将之前对战的信息贴上标签（label），A赢了label = 1，B赢了label = 0，这样计算机在学习的时候就会考虑，在什么情况下label = 1，什么情况下label = 0。最后我们输入这一次的条件，计算机就会给我们一个label，1或者0。显然，在这种模式下，我们给程序的数据是要尽量详细的，比如每次对战时两人的状态，主客场，上了哪些球员等等。越详细，给出的预测就会越准确。
接下来，我会逐步介绍机器学习的各种方法，包括贝叶斯统计，支持向量机，神经网络，决策树等等。