从技术方面如何更好的理解什么是机器学习？

前言

  学习机器学习已经有好长一段时间了，在这一过程中一直没有找到一个合适的机器学习定义，在进行深度学习的过程中，阅读技术书籍偶然找到了一种自认为深刻的机器学习技术定义。

---

机器学习的技术定义：

   在预先定义好的可能性空间中，利用反馈信息的指引来寻找输入数据的有用表示。

机器学习的核心是学习输入数据的有用表示，现对上面的定义谈谈自己的理解。

可能空间 ：可能性空间与机器学习的任务紧密相关，聚类中为所有可能簇的情况；回归中为所有可能的回归式；
为什么说定义好的呢？因为对于不同的算法模型其可能性空间是不同的，例如kmeans算法聚类的前提条件是确定k值，可能性空间即为所有k簇组合构成的集合；回归中，训练y=wx+b可能性空间就是样本中所有直线构成的集合。

反馈信息：一般为算法定义的指标；
例如，kmeans中的距离，回归中常见的均方误差。

输入数据的有用表示：对于一个输入数据，希望得到其类别，即输出的类别信息就是分类任务中该数据的有用表示。

寻找：可以理解为在得到反馈信息之后找到上述有用表示的一个过程。这里的寻找就会涉及到许多方法，如距离判别，最小二乘，梯度下降等。
例如，贝叶斯分类器里面根据反馈信息（计算后验概率P(c|x)），到模型建立至输出（选择后验概率最大的类别标记）的过程； （该过程没有反向迭代）
kmeans中利用平均距离进行簇类更新，到模型建立至输出的过程。

机器学习是一种新的编程范式：

机器学习中的学习指的是，寻找更好数据表示的自动搜索过程。（这里的自动更多的需要一种提前设定好的求解规则）