第一讲 什么是机器学习

   机器学习火了这么多年，大家并没有对于其定义有所争议。其实我觉得这才是一个学科应该发展的趋势，没必要把所有的注意力放在定义上，真正定义清楚了能说明什么呢，总是停留在咬文嚼字上，于事无补。在我看来，机器学习无非是让机器有学习能力，能够分辨是非（分类），能够理解情境（回归）等等。Andrew Ng说过一段话，他们在做一个飞行器的项目，目的上让飞行器能够独立飞行，绕过障碍。他们在研究中发现为飞行器设定好路线，规划好行程往往使得飞行器不能很好的工作，泛化能力很差。Andrew Ng指出，与其这样，不如我们不去教飞行器怎么飞了，我们给它一个规则，让它自己学罢了。这样经过了一段时间，飞行器能够适应所有的场景，达到了很好的效果。

  下面是百度百科对于机器学习的介绍：

  机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

  它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

   哎，模模糊糊没有说清楚。下面给出维基百科的定义：

Machine learning is a subfield of computer science that evolved from the study of pattern recognition and computational learning theory in artificial intelligence. Machine learning explores the construction and study of algorithms that can learn from and make predictions on data. Such algorithms operate by building a model from example inputs in order to make data-driven predictions or decisions, rather than following strictly static program instructions.

瞬间感觉高大上，但无非也就几个关键点。机器学习算是近几年火起来的，是计算机科学的一个分支，由模式识别与人工智能发展而来。他通过分析输入数据，建立模型，能够实现数据的分类与回归等等。

下面贴出一些牛人的定义，仅供参考：

（1）Arther Samuel(1959)：Machine Learning

         Field of study that gives computers the ability to learn without being explicitly programmed.

  (2) Tom Mitchell(1998): Well-posed Learning Algorithm:

        A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.

  Tom的话尽管不懂，但是大体意思明白。它从概率的角度对于好的算法进行了定义。概率论在机器学习算法的学习中还是很重要的。