第一章 机器学习的意义、流程、应用和与其他领域的交叉应用

一、机器学习是什么

·学习是一个通过观察去发现规律积累经验的过程，机器学习是机器从数据中去寻找最合理的映射规则（一些能让某些表现更好的技能）的过程

二、机器学习的应用场景--机器学习是一个建立复杂系统的很好的方法（比如人类很难通过程序去完美的定义一棵树）

1.一些具体的应用场景

·人类无法对系统进行编程（火星探索）

·人类无法简单的去定义解决方法（图像识别声音识别）

·需要做出人类无法做出的快速的决策（超高频交易）

·需要面对大规模的用户时（用户针对性的营销）

2.机器学习的关键本质

·存在可以学习的内容（数据集之下需要有隐含的规则）

·这个规则比较难程序化的定义

·存在足够多的数据集

三、机器学习的实际应用场景

1.衣食住行

（1）食物

·数据集:推特的数据，文字和定位

·学习的技能：食物偏好和餐厅推荐

（2）衣服

·数据集:成交记录和客户本人的信息

·学习的技能:衣服推荐

（3）房子

·数据集:房子的特质和能源承载能力

·学习的技能:预测房子的能源承载能力

（4）交通

·数据集:一些交通标志的图片和图片意义

·学习的技能:非常迅速的识别出交通标志

2.教育

·数据集:学生在一场数学指导系统中的测试记录

·学习的技能:预测学生是否能够答对另一道测试问题

·抽象的方法:学生回答正确=（学生的能力大于题目的难度）

问题在于题目难度和学生能力的量化

3.娱乐

·数据集:各个观影者对电影的评分

·学习的技能:预测一个用户会对一个电影打出怎样的评分

四、机器学习的组成部分

1.数据集的组成部分（输入集、输出集、目标函数、猜想集和数据集）

2.机器学习的过程（通过算法从猜想集中筛选出和f最接近的g）

五、机器学习和其他领域的一些区别和关联

1.机器学习和数据挖掘

机器学习的最终目的是找到g，数据挖掘是在大量数据的基础上找到想要的有意思的东西。

2.机器学习和人工智能

机器学习的最终目的是找到g，人工智能的目标是计算展现智能行为的东西，机器学习是实现人工智能的一个方式。

3.机器学习和统计

统计更关注数学上的推理，不是很在意计算，统计可以被用来实现机器学习