绪论
- 1.1什么是机器学习
- 1.1.1 Arthur Samuel给出的定义
- 1.1.2 显著式编程和非显著式编程
- 1.1.3 Tom Mitshell给出的定义
- 1.2基本术语
1.1什么是机器学习
1.1.1 Arthur Samuel给出的定义
Arthur Samuel是机器学习领域的先驱之一，
他编写了世界上第一个棋类游戏的人工智能程序
Arthur Samuel 的定义：
Machine Learning is Field of study that gives computers the ability to learn without being explicitly programmed.
机器学习是这样的领域，他赋予计算机学习的能力，（这种学习的能力）不是通过显著式编程获得的。
1.1.2 显著式编程和非显著式编程
什么是显著式编程 ？
举例来说：
比如我们要编写一个程序来自动区别苹果和柠檬，如果我们人为的告诉计算机苹果是红色的，柠檬是黄色的，所以计算机看到红色就把它识别为，看到黄色就把它识别为，这就是显著式编程
非显著式编程 ？
紧接上面的例子，如果我们只给计算机一堆的图片，同时给计算机一堆的图片，然后编写程序让计算机自己去总结和的区别（前提是编写的程序没毛病），那么计算机很有可能通过大量图片也能总结出苹果是红色、柠檬是黄色这个规律，当然，计算机也有可能总结出其他的规律。
我们事先并不约束计算机必须总结出什么规律，而是让计算机自己挑出最能区分和的一些规律，从而完成对苹果和柠檬的识别
↓
像这种让计算机自己总结规律的编程方法，叫做非显著式编程
Arthur Samuel所定义的机器学习是专指这种非显著式的编程方法
另一个例子
比如我们想让一个机器人去教室外给我们接一杯水
显著式的编程是这样的：首先我们要向这个机器人发出指令让它向左转（因为门在机器人的左边），然后我们要让它朝前走五步，接下来，让机器人右转，再向前走五步（走到咖啡机面前），然后我们发指令让机器人把杯子放在合适的位置，再让机器人点 “冲咖啡” 按钮，咖啡冲好之后，再次发指令，让机器人原路返回
由此可见，显著式编程有很大的劣势
我们必须帮机器人规划其所处环境，要把环境调查的一清二楚（机器人的位置在哪里，咖啡机在哪里，咖啡机上的按钮在哪里，机器人应该怎么走······）
（有这个时间为啥还要用机器人呢 ？）
这时候非显著式编程的优势就体现出来了
非显著式的编程是这样的：
首先我们规定机器人可以采取一系列的行为（向左转，向右转，取杯子，按按钮······），接下来，我们规定在特定的环境下，机器人做这些行为所带来的收益，叫做收益函数（比如机器人摔倒了，或者采取了某个行为导致撞到墙上、水洒出杯子，此时规定收益函数的值为负；如果机器人采取了某个行为 成功取到了咖啡，那么我们的程序就要“奖励”这个行为，规定此时收益函数的值为正）我们规定了行为和收益函数后，我们就不用管了，只需构造一个算法让计算机自己去找最大化收益函数的行为
可以想象，一开始计算机采用随机化的行为，但是只要我们的程序编的足够好，计算机是可能找到一个最大化收益函数的行为模式的
由此可见，非显著式编程的优势在于，它通过数据，经验自动的学习，完成我们交给它的任务
1.1.3 Tom Mitshell给出的定义
Tom Mitshell 在他的书《Machine Learning》中提出了一个比较正式的定义 ：
A compute program is said to learn from experience E with respect to same task T and some performance measure P,if its performance on T,as measured by P, improves with experience E
一个计算程序被称为可以学习，是指它能够针对某个任务T和某个性能P，从经验E中学习，这种学习特点是，它在T上的被P所衡量的性能，会随着经验E的增加而提高
我们还是举最开始的那个例子，在这个苹果和柠檬的例子中
在机器学习中，把这大量苹果和柠檬的图片叫做训练样本（training samples）
根据Tom Mitshell对机器学习的定义，机器学习就是根据任务，来构造某种算法，这种算法的特点是当训练样本越来越多时（即E越来越多），识别率也会越来越高
显然，显著式编程是无法达到这个目的的
通过上面的描述可以看出，Tom Mitshell的定义比Arthur Samuel的定义更加数学化
根据经验E来提高性能指标P的过程是典型的最优化问题，数学中的最优化的各种理论都可运用其中，所以数学在现代机器学习中占有重要地位
1.2基本术语
数据集：我们拿到所有数据构成的一个集合（即上图中《训练数据》这个表 ）
训练：我们拿到数据用来建立这个模型，建立这个模型的过程就是训练
测试（test）：建立这个模型之后，给一个新的数据，然后用这个模型判断这个数据做对or做错（其实就是使用这个模型）
测试数据的 结果/答案 应该是已知的，否则没法了解模型给出的结果是对是错；同时，为了得到一个客观的结果，测试数据和训练数据应该是分开的→测试数据一开始就应该留出来
测试是把模型拿来用，而这个“用”，既可能是用来考察这个模型好不好，也可能是给个数据让模型真的给出结果
示例（instance）和样例（example）：
↑ 每一行就是一个示例（instance）
而每一行加上对应最后一列的 是或否，就是一个样例（example）
区别： example是有结果的，而instance是没有结果的
样本（example）：概念比较模糊，有时候可以指每一个样例（example），有时候也可以指整个数据集
属性（attribute）= 特征（feature）：表中瓜的色泽、根蒂、敲声都是属性/特征
属性值：可以理解为在某个属性上的 “取值”
比如，第一个瓜在色泽上的属性值是青绿
属性空间 （attribute space）= 样本空间（sample space）= 输入空间：把每个属性想象成一个坐标轴，属性张成的空间就是属性空间 / 样本空间
特征向量（feature vector）：每个西瓜都可以在属性空间中找到自己对应坐标的位置，由于空间中的每个点对应一坐标向量，因此我们也把一个示例（注意不是样例）成为一个“特征向量”
标记空间（label space）=输出空间：一般我们用（xi，yi）表示第 i 个样例，其中yi∈Y是示例xi的标记（label），Y是所有标记的集合，Y也称“标记空间” 或 “输出空间”
聚类（clustering）和簇（cluster）：
聚类（clustering）是将集中训练的西瓜分成若干组，而分成的每个组称为一个簇（cluster）
这些自动形成的簇肯恶搞对应一些潜在的概念划分，例如“浅色瓜”和“深色瓜”，甚至“本地瓜”和“外地瓜”
这样的学习过程有助于我们了解数据内在的规律，为更深入的分析数据建立基础
监督学习（supervised learning） 和 无监督学习（unsupervised learning） ：依据训练数据是否有标记信息，学习任务大致课分为监督学习 和 无监督学习，分类和回归是前者的代表，聚类是后者的代表
