如何理解“机器学习”

要学习人工智能，实际上我们对于智能要有一个认真的思考，所谓智能就是预测的能力吧，能够预测未来，根据现在的数据推测未来数据的能力就是智能吧。之前牛顿从苹果掉落总结出重力的定律，爱因斯坦总结智能方程其实都是智能化的一种吧。

根据各种已有的数据/现象总结出规律，可以是一个线性函数或者一个概率函数其实都是一种智能化的体现，比如根据数序列1，2，4，8，16...总结y=x的平方，我们就具备了输入X可以得到Y的预测能力了吧，这个函数可以很好的拟合未来的数据序列，那就是一种智能化能力吧。这是人的一种学习能力，把这种能力反应到机器上就是机器学习能力把，机器也可以学习y=x的平方 这样简单的函数能力，还可以学习更复杂的能力，比如人脸识别、语音识别和语义理解等等，只不过用到的函数非常复杂，还不一定拟合的这么准确罢了。无论什么样的智能或者学习，都是根据输入，按照模型得到输出的过程吧。其实计算机就是一种智能啊，有输入、有输出，有一个黑盒模型。

机器学习最常见的一种是监督学习，最开始的几步是对于模型的训练，“多了”或“少了”可以理解为训练时的误差，模型根据误差调整自身参数，这就是机器学习里常用的反向传播(Backpropagation)的简单的解释。因为我们现实生活中面对的数据序列不都是简单的1，2，4，8，16...这些序列或者现实中都不存在，我们面对的是海量的数据，复杂无头绪的数据，我们看到之前数据的因果关系，但是我们不知道为什么，怎么计算的。比如你看到张三的脸，就能认出来是张三，这个模型对人来说很简单，但是对于机器确实来说超级复杂，我们没有一个函数可以输出这个结果。就需要一个超级复杂的模型不断来验证，这个就是监督式学习吧，根据已有的推测未知的未来。

其实人类的学习也是监督式学习，人的学习按逻辑顺序可分为三个阶段：输入，整合，输出。人的学习是一个人根据过往的经验，对一类问题形成某种认识或总结出一定的规律，然后利用这些知识来对新的问题下判断的过程。按照贝叶斯原理，可能我们的学习方式就是这样的，总是根据已知来推测未知，同时根据获得的新数据、新知识来不断修正未来的方式。我们的物理好像就是这样的吧，一开始式牛顿，后来有麦克斯韦，有爱因斯坦，都是站在巨人的肩膀上做出的努力（都是根据已有数据，再加上新的观测和数据，来修正我们对未知的预测或者看法）。学习能力绝对是人类打猩猩时代起憋出的大招，在它的帮助下人类一举登顶食物链之巅。就是人类的脑容量和寿命毕竟有限，由于这个限制，纵使人类有超级的学习能力，还是很难让现有知识爆炸性增长的。帮助人类突破这个瓶颈的，正是计算机，或者说是“机器学习”

怎么指导计算机或者机器从数据中总结规律呢？

它们就是各式各样的机器学习算法。机器学习是指用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。而在这整个过程中，最关键的是数据，是数据，是数据！重要的事情说三遍。机器学习三要素是模型、策略和算法，其实感觉还应该加上“数据”吧。

机器学习是你不去设计， 而让计算机自己去磨，如同用一套很一般的模子里打磨出能够解决特定问题的武器。这点上，机器学习做的正是” 自发能够产生解决问题的程序的程序” ， 一些机器学习的经典算法如线性回归， SVM， 神经网络， 它们单个都不能解决问题， 但是通过“学习”却可以一会去预测房价一会去寻找美女。

机器学习是一个源于数据的模型的训练过程，最终归纳出一个面向一种性能度量的决策。 “训练一个模型”代表训练实例，“模型”表示通过经验学习获得的状态，“归纳出一个决策”代表基于输入做出决策的能力，并且需要一个用于未来决策的、不可见的预期输入。最后，“面向一种性能度量”是指准备好的模型的针对性需要和定向特性。

机器学习里面有一个定理：没有免费的午餐定理，就是说没有一个优秀的或者通用的算法可以对一切问题进行拟合，要根据不同的数据，不同的情况，按照不同的模型，优化不同的参数。

机器学习就是在总结过去，预测未来。