绪论
1. 引言
机器学习是什么？
接地气的说，人通过学习知识，能够对事情具有判断能力。
而机器也可以学习知识，从而对事情具有判断能力。
机器的知识是人提供的数据。
通过对数据的学习，从而训练出某种能力。
我们把给出这种能力的玩意叫模型。
2. 基本术语
假设我们现在要让机器一个任务，让它判断这个西瓜是否是个好瓜。
则我们需要给它数据进行学习，这个过程叫训练。
既然要判断好瓜，则我们应该给它西瓜的数据，并标注好哪个是好瓜，哪个是坏瓜。
试想一下，让一个不懂事的小朋友去挑，你是不是也得告诉他好瓜具有什么特征？机器也是这样。
训练数据集
- 100个西瓜
特征
- 颜色（绿，红，青绿…）
- 根蒂（长，短….）
- 敲声（大，小…）
- …..
标签
- 好瓜还是坏瓜
有了一些西瓜，以及特征，与标签，我们现在就可以让机器去学习如何判断好瓜或者是坏瓜了。
基本任务
分类（标签是离散型）
好瓜与坏瓜 → 二分类问题
小瓜中瓜大瓜 → 多分类问题
回归（标签是连续型）
能长多重
任务类别
有监督学习
例如分类好瓜还是坏瓜，给了一些特征，计算机还是不能明白谁是好的，谁是坏的。因为它根本就没见过西瓜….所以，给了特征后，还要给它谁是好瓜，谁是坏瓜，这样特征与标签之间能够建立起联系，从而能够训练出模型来，去分类谁是好瓜谁是坏瓜。
分类和回归都是有监督学习。
无监督学习
核心思想：物以类聚，人以群分。这是先辈赐予我们的智慧，与先验知识。在计算机中，我们认为距离相近的为一类，而距离使用的是欧氏距离等来度量。
代表算法就是Kmeans。
无监督学习不需要标签，而是使用距离，自动归类。也是个分类任务。
进行预测
- 测试
- 测试样本
泛化能力
简单来说，有些学霸不怕考试，对于新遇到的题也总是能做对，这就是泛化能力强的表现。
增加训练集的样本数，可以增强泛化能力。
（题海战术，不就是这个意思吗….）
3. 假设空间
科学推理的手段
归纳：特殊到一般
狭义
从训练数据中得到概念
- 布尔概念：是或不是
假设就是各种情况
广义
- 从样本中学习
演绎：一般到特殊
4. 归纳偏好
同一个数据集训练出了不同的模型，如何选择模型？
原则
奥卡姆剃刀
选最简单的那个
也有其他的理解
因为简单的标准可能不唯一。
NFL定理
No Free Lunch Theorem.没有免费的午餐。
5. 发展历程
太多了
耐心的读者自己去读 我反正是没耐心
反正就是一种程序，有自我改善的能力，人为干预越少越好
6. 总结
这一章就是划划水，介绍基本内容啦。
