孩子们的学习过程是通过一些观察，然后加上自我总结，他们逐渐有了辨别西瓜是什么的技能。

类似地，机器学习是通过“学习”数据获得某些技能的过程。(有什么技巧？技能是某种性能的提高。例如，通过每天练习射击并逐渐达到一定水平，我有了射击技能。)

2。你为什么想使用机器学习？(为什么)

对于不同的问题，我们选择机器学习有不同的原因，这些问题根据人类的困难可以分为两类:

1。简单问题:

例如，识别手写数字对人类来说是一个非常容易的问题，那么我们为什么要使用机器学习呢？因为通过机器学习，我们可以让机器帮助我们完成这些“乏味”的任务。在机器掌握识别手写数字的技能后，我们可以让它们帮助我们分类字母。如果我们更进一步，让机器掌握地址信息的识别和理解，我们甚至可以使用机器来分类快递。

2。非常复杂的问题:

例如，根据用户信息，不同的广告被推荐给不同的用户。对人类来说，这几乎是一个不可能的问题，因为不同的用户有不同的特征。我们如何从这些巨大的特征中判断每个用户喜欢什么？用户的偏好可能仍在变化。例如，一些用户去年喜欢西瓜，今年讨厌西瓜。因此，从海量数据中移除人工摘要规则有很大的局限性，机器学习的使用使得这些问题变得简单。

3。什么时候可以使用机器学习？(何时)

1。有些隐藏的模式是可以学习的。

让我们举个反例:预测婴儿会哭奇数分钟还是偶数分钟。这几乎是一个随机事件，所以没有隐藏模式，所以它不能通过机器学习来解决。

2。总结这条规则并不容易。

如果规则很容易总结，那么当然你不需要使用机器学习，你可以直接在代码中实现它们。

3。有相关数据。

让我们举个反例:预测世界末日何时到来。显然，因为我们没有世界末日的任何数据，这个问题不能通过机器学习来解决。

四。机器学习的组成

上图可视为整个机器学习过程的组成部分。

首先，从我们的数据出发，它们的具体形式是从x到y的映射，例如，我们的问题是预测某栋房子的房价。然后我的x包括房子面积的特征，房子的楼层，不管是不是电梯房，y是房子的价格。正是因为有一个特定的规则，我们获得的数据对应于训练集中每个X的唯一Y。我们用F来表示从X到Y的映射关系(即隐式规则)。

那么如何得到这个f呢？总的来说，我们首先将范围扩展到一组假设(称为H)。例如，如果我们假设房价与其所有特征都有线性关系，那么这组假设就是一组线性假设。在这个无限的假设集合中，我们如何找到我们想要的F？它需要通过机器学习算法来实现。我们用一个来表示这个算法。

那我们能得到F吗？答案是否定的，因为大部分时间由于数据噪声和其他原因，我们不能得到一个精确的f，但只有一个特定的映射关系g，使g最接近这个f，我们称之为最终预测。

一般来说，机器学习通过基于假设集的算法来“训练”训练集，以便获得隐式规则，使得获得的预测规则最接近隐式规则。

五.机器学习、数据挖掘、人工智能和统计学之间的关系

机器学习:

使用数据计算近似隐式规则的预测规则。

数据挖掘:

使用海量数据找到一些有趣的数据特征和规则。

机器学习和数据挖掘之间的关系:

如果数据挖掘的目标是在数据之间找到隐藏的规则，那么数据挖掘和机器学习做同样的事情。然而，传统的数据挖掘总是关注大数据的高效计算。(例如分布式计算框架)

人工智能:

让计算机做(模拟)一些像人类一样的智能行为。

机器学习与人工智能的关系:

机器学习是实现人工智能的一种方式。此外，还有其他实现人工智能的方法。

统计:

使用数据来预测一些未知的过程。

机器学习和统计学之间的关系:

许多统计学知识可以在机器学习中借鉴，但机器学习中的许多算法并不是基于统计学的规律。

参考:

机器学习的基石[·林·田璇(来自Youtube)