Task01：概览西瓜书+南瓜书第1章、第2章

前言

之前的机器学习的笔记链接

第 1 章

      上面公式的结论就是总误差与学习算法无关，无论效果多好或多坏，它们的期望性能是一样的，这是NFL定理（No Free Lunch Theorem） 没有“免费的午餐“定理
      这是你可能会想这学个屁算法，所有的学习算法和你瞎猜一样，真的是这样吗？显而易见不是的，上面定理存在的一个重要前提是就是f都是均匀分布，就是真实目标函数均匀分布，个人理解就是所有的结果猜想的概率都是一样的，想我是否想去干饭？目标函数是有什么菜，吃佛跳墙和吃白粥对我想去吃的欲望可能性是一样的大的，但是现实是我肯定想吃佛跳墙（#虽然我没吃过www）

      互联网搜索是通过分析网络上的数据来找到用户所需的信息，这个过程，用户的查询时输入，搜索结果是输出。现在可能是因为学习机器学习学多了 学疯了，都疯狂开始类比了，觉得一个人，每天睡醒开始，就开始感知这个世界，视觉，嗅觉，听觉，触觉，味觉，所接受进来的信息，经过大脑（模型），输出（起床刷牙干饭）。

      但是有时觉得机器相比于机器，机器太笨了，即使阿尔法狗能干掉世界第一的围棋高手，它也教不会一个小孩为什么1+1=2，也教不会小孩明白ta是不是从垃圾桶捡来，也做不饭给我干。当然这些扯得有点远了，从计算机视觉方法，图像识别，一个小孩识别出一个物体是否是车，只要有几个样本告诉它车大概是这样，接下来ta能轻松辨别出一个物体是否是车，但是机器不行，喂了几千张图片，还是识别效果不好，但是机器有一个人无法相比的优点就是速度快而且不会疲惫，只要人给予教会它一些规律（算法），它能为我们做很多事情（智慧司法，智慧城市，智慧金融，智慧交通等）

第 2 章 模型评估与选择

感悟：
<1> bootstrapping 自助法在随机森林里面也有用到，1份数据集D，通过n次自助抽样，生成n份数据集（每份数据集大概是D的63.2%，通过上面的极限公式可以求解出来），然后生成n个决策树，每个决策树基本是相互独立的，通过降低方差来降低误差，至于为什么能降低误差
详细一点的链接

参考

Datawhale的github开源吃瓜教程项目，目的：一起吃冰西瓜