机器学习笔记——开篇之作

从今天开始，本人开始涉及人工智能领域，之前使用过JAVA、Python做过网站开发，为我打下了一些基础。首先说明两点学习该领域的原因：

• 本人本科毕业，研究生攻读网络安全专业，但是AI作为目前最热门的领域，并且学科交叉越来越广泛，所以学习AI方面的知识在今后可能会有很多用处。而且人工智能的安全问题也是非常热门的话题，我国对于AI的研究远没有到达尽头，比如目前的人工智能只能说是“伪”人工智能，并没有真正像人脑一样，前段时间浅接触了类脑计算，它打破了冯诺依曼体制，真正的模拟人脑，所以说还有很多可以发展的空间。
• 因为她在学习这个专业，如果以后还可能有交集的话，我希望自己有能力去帮助她，虽然人家可能也不稀罕，但是我还是想去做一做，目前我个人的学习方向是计算机视觉。（其实主要因为第二个原因，哈哈哈）

之前在哔哩哔哩上看了吴恩达老师的部分章节视频，对机器学习有了初步了解，之后又看了一些其他相关视频，但总是觉得不太系统，所以又入手了三本书籍——周志华的机器学习（西瓜书）、机器学习实战、统计学习方法，准备接下来主攻这三本书籍，争取做到每天一篇博客，希望与大家共勉。

一、人工智能、机器学习、深度学习概念关系

三者的关系就像是一个同心圆，人工智能是最早出现的；其次是机器学习；最内侧是深度学习，当今人工智能大爆炸的核心驱动。

作为一门学科，人工智能于1956年问世，是由“人工智能之父“McCarthy及一批科学家在Dartmouth大学召开的会议上首次提出，他们梦想着构造一款拥有与人类智慧同样本质的极其，这就是“强人工智能”，但是目前我们还无法实现，只存在电影和小说中。如今的人脸识别、图像分类一般都被称为“弱人工智能”。

机器学习：一种实现人工智能的方法

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。

机器学习是人工智能领域中最能体现智能的一个分支，也是发展最快的一个分支，从以符号学习为主流变成统计学习为主流，体现了其从纯粹的理论、模型研究发展成为解决现实生活中实际问题的应用研究。但是是否符号学习已经彻底败退，如今成为统计学习“一言堂”的时代，这还有待研究，目前有说法称，AI已经进入了瓶颈期，如需突破，需要将符号学习和统计学习结合使用。

深度学习：一种实现机器学习的技术

随后出现的便是深度学习，深度学习并没有像打压符号学习一样打压统计学习，因为深度学习主要使用于神经网络，其应用范围还比较有限，而统计学习目前仍在被广泛的使用。

二、机器学习与数学

机器学习与数学的关系是密不可分的。

在机器学习中，代数主要是作为基础工具来使用的，例如矩阵理论和特征值理论、代数问题求解（幸好本人在考研中学习了高数、线代、概率论，让我能够看懂一些数学公式并且进行一些推导）。从符号学习到统计学习的演变中，用到的主要是概率统计，出头露面的是概率，埋头苦干的是代数和逻辑，所以在机器学习中是以数学方法为主角的。当然目前的数学理论介入的还不够，更多优秀的数学理论可以带来机器学习的新模式、新方向。

大数据时代给统计学习带来了更多的机遇，因为海量的数据更加需要统计。大数据处理总分为三个阶段：收集、分析、预测。收集和分析工作如今已经做得很好了，如何进行科学的预测成为了如今的焦点，更好的数学理论方法可以促使更科学的机器学习方法，从而使得数据预测的更加科学。

三、建议

大部分人认为机器学习就是一堆不同算法堆积起来，只要学会了这些算法然后在实际问题中应用即可，其实不然。现实生活中，各种问题的实际情况千变万化，某个具体的算法使用后其实并不如人意，这些算法只是提供了一种固有的套路，当出现这些套路之外的情况时，这些算法其实并不适合。所以，我建议在学习算法时，完成其具体算法推导和编程实现后，去理解算法背后的真正思想，将这个算法真正的学活，不拘泥于固有套路，在固有的基础上千变万化以应对各种问题，当然先学好固有套路是必不可少的。

本篇仅简单阐述了一些基本知识，如需深入了解，期待后续笔记。