第1节--深度学习基础介绍-机器学习--课程介绍（上）

本课程为麦子学院彭亮老师讲授的（深度学习基础介绍-机器学习），共28小节。

---

彭亮在麦子学院还有两门课，一门是Python语言编程基础，另一门是深度学习进阶：算法与应用。

---

建议三门课的学习顺序为：Python语言编程基础——深度学习基础介绍-机器学习——深度学习进阶：算法与应用

---

以下是我整理的第1节的学习笔记：

---

1、课程介绍

• 学习前提
  
  • 对微积分，线性代数，概率论的基本知识有一定了解
  • 有一定编程基础（最好是Python）
• 学习目标
  
  • 理解机器学习的概念、原理、常用算法
  • 学会对原始数据的预处理
  • 学会使用Python语言和相关的机器学习库
  • 学会使用常用算法和应用框架解决实际问题
• 课程安排
  
  • 基本介绍
  • 基本概念
  • 监督学习（分类、回归）
  • 非监督学习

2、机器学习

• 概念
  
  • 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。
• 学科定位
  
  • 人工智能(Artificial Intelligence, AI）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。
• 定义
  
  • 探究和开发一系列算法来如何使计算机不需要通过外部明显的指示，而可以自己通过数据来学习，建模，并且利用建好的模型和新的输入来进行预测的学科。
  • 几个经典定义：
    
    • Arthur Samuel (1959): 一门不需要通过外部程序指示而让计算机有能力自我学习的学科
    • Langley（1996) ： “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”
    • Tom Michell (1997): “机器学习是对能通过经验自动改进的计算机算法的研究”
• 学习
  
  • 针对经验E (experience) 和一系列的任务 T (tasks) 和一定表现的衡量 P，如果随之经验E的积累，针对定义好的任务T可以提高表现P，就说计算机具有学习能力。例子： 下棋，语音识别，自动驾驶汽车等。

3、机器学习的应用

• 自动驾驶、无人机、语音识别、语言翻译、计算机视觉、识别垃圾邮件、推荐系统