吃瓜教程task01（爆肝且未完成版--我觉得有后续版）

本篇说明

黑色加粗：概念

紫色加粗：知识点

任务

---

南瓜书（补一下导学课）

三大术语

人工智能：让机器变得像人一样有智慧的学科

机器学习：让计算机像人一样从数据中学习出规律的算法

深度学习：神经网络类的机器学习算法

AI领域

CV：视觉能力

NLP：语言能力

RS（推荐系统）：喜好

南瓜书定位

辅助西瓜书，公式推导

zy基础班--补数学基础

课程使用

西瓜-南瓜-西瓜

---

西瓜书（目前粗略看完第一章）

1.1 引言

人们利用经验判断明天天气好、西瓜好

--》

人们想，能不能让计算机实现对经验的利用？

因此产生了

机器学习：通过计算，利用经验改善系统性能

ps:经验在计算机中常以数据形式存在

学习算法：通过数据产生模型的算法

学习算法通常有参数设置

从而利用产生的模型来对新情况提供判断

ps:模型在书中指数据中得到的结果

1.2 基本术语

数据集：记录的集合

示例/样本：一条记录

属性：反映对象或事物某方面的性质

属性空间：属性所有的取值

维度：一个示例有多少个属性

特征向量：每个示例对应维度空间上的点对应一个向量空间

学习：执行某种学习算法，从数据中学得模型

训练集：训练样本的集合

假设：学得模型对应了关于数据的某种潜在规律

ps:将潜在规律自身叫做真相

--》

学习过程就是找出或不断逼近真相的过程

标记：示例的结果信息

标记空间：所有标记的集合

学习任务分类

（根据预测值的连续性）

+ 离散值：分类

+ 连续值：回归

（根据训练数据是否有标记）

+ 有监督--》回归、分类

+ 无监督--》聚类

泛化：学得模型适应新样本的能力

ps:一般样本越多，泛化越好

1.3 假设空间

归纳：从特殊到一般的泛化

演绎：从具体事实推导出一般规律

学习过程看成在所有可能假设（假设空间）中搜索的过程，搜索fit训练集的假设

但是，

可能存在很多个fit的假设

--》

1.4 归纳偏好

偏好：

仅有训练样本时学习算法无法判断多个fit谁更好

因此，

学习算法要有对某类型假设的偏好

否则就会被假设等效所迷惑，无法产生确定的学习结果

偏好原则：

“奥卡姆剃刀”：有多个假设，选最简单的那个，即最平滑

没有免费的午餐定理（NFL）：胡乱猜约等于学习算法

？？？怎么可以

然而，

NFL有前提，所有问题出现的机会相等或问题等同重要，但实际情形不是这样的

1.5 发展历程

推理期--》知识期--》。。

---

下节预告 

一元线性回归

西瓜 3.1 3.2 3.3 3.4

---

本篇差漏（改进就删！）

西瓜书最精华的西瓜例子没有放上来，缺少图形化的解释，人工智能发展历史略读，NFL定理略读，一些公式推导略读，第二章任务还没有完成