机器学习之引言

从去年就开始就考虑学习AI的相关知识，但每次看点入门知识就放弃了，因为确实有点难，智商不太够用，/(ㄒoㄒ)/~~。不过形势所迫，不玩点有难度的早晚要沦落成diduan人口，被AI这玩意驱逐出地球。哎，为了全人类，还是破釜沉舟背水一战吧！

AI的影响

最近找了很多资料，看了好几个公开课，发现还是大神Andrew NG在Coursera的机器学习课程比较适合初学者。现在决定在2个月之内，利用业余时间学完该课程的所有内容，并且在公众号里面记录笔记和心得体会，之所以选择这样一种方式主要还是想监督自己，毕竟这个课程在网络上很火，已经有很多人整理过相关的笔记。

机器学习课程主页

本课程总共18课，114小节，每节讲一个知识点，时间在10分钟左右。计划每节写一遍笔记心得，特别简单的小节可能会合并到一起，比如第1课引言中的前两节，比较容易理解都整理在本篇，下面正式开始！

1.1 Welcome

1.举例说明机器学习被用来做什么？

机器学习已经得到了很广泛的应用，比如谷狗，度娘的搜索技术，Facebook或Apple的图片分类程序，电子邮件垃圾邮件筛选器等等。课程中演示了一个自动飞行器，这让我们相信汽车自动驾驶时代很快就会到来。

2.机器学习为什么越来越流行？

目前机器学习不只用于人工智能领域，它已经成为计算机一种新的能力(NewCapability），应用于很多方面，课程中提到了数据挖掘，自动化技术，理解人类思维了解人类大脑等等。下面是一个稍微详细点的分类，说明了机器学习涉及到领域：

• 模式识别 可以认为模式识别就是机器学习，模式识别是从工业界发展起来的概念，而机器学习则强调计算机学科。
• 数据挖掘 数据挖掘=机器学习+数据库。数据挖掘仅仅是一种思考方式，不必神话之。
• 统计学习 统计学习近似于机器学习，与机器学习高度重合，统计学的发展促进了机器学习的大发展，但是两者侧重点不同。统计学习重点关注统计模型的发展优化，偏数学，而机器学习关注实际问题的解决，偏实际。
• 计算机视觉 计算机视觉 = 图像处理+机器学习。
• 语音识别 语音识别 = 语音处理+机器学习，即音频处理技术与机器学习的结合。
• 自然语言处理 自然语言处理 = 文本处理 + 机器学习。自然语言处理是让机器理解人类语言的学科，词法分析，语义理解，机器学习等。
  提到数据挖掘和大数据，有这样一种观点：成功的机器学习应用不是拥有最好的算法，而是拥有更多的数据。随着大数据概念的兴起，机器学习和大数据愈发耦合，可以说大数据是机器学习应用的最佳场景，二者互相依赖，共同发展。大数据的核心是利用数据的价值，机器学习则是利用数据价值的关键技术。

1.2 What is Maching Learning

目前不存在被广泛认可的定义(definition)，但有两个可以参考：
1.Arthur Samuel(1959)：在没有明确编程情况下，使计算机能够主动学习研究领域(原文参考：Field of study that gives computers the ability to learn without being explicitly programmed），值得一提的是Arthur Samuel编写了最早的阿尔法狗，不过下的国际象棋；
2.Tom Mitchell(1998)：一个程序能从经验 E 中学习，解决任务 T，达到性能度量值 P，当且仅当有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升，这就是机器学习【原文参考：A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.】。
其中第二个定义正式一点，还押韵。在下棋的例子中：经验E是程序自我练习的经验，而任务T就是下棋，性能度量值P就是它在与新的对手比赛时赢得比赛的概率。课后测验里面有几题目测试对这个定义的理解，其中一道大意是：天气预报中，T，P，E分别是什么？
在本小节中，Andrew NG提到了对各种工具应该采取何种态度？值得强调，既：拥有合适的工具很重要，但更重要的是：你要学会如何恰当地使用这些工具，会用与不会用的人之间存在着鸿沟。

1.3 几个容易混淆的概念（补充）

初学者可能会被AI，ML和DL这三个概念搞糊涂，贴张让人神清气爽的图。

AL，ML和DL的关系

AI是最早的一个概念，发展一波三折。从时间是上来讲，人工智能出现最早，机器学习和深度学习近些年才出现的。从逻辑关系上来讲，人工智能是目标，机器学习和深度学习是实现手段。相对机器学习而言，深度学习听起来高大上，但概并不神秘，就是传统神经网络发展到了多隐藏层的情况。

-- THE END --

AI_Notes，欢迎关注