科学、技术、工程、应用
- 科学：是什么、为什么
- 技术：怎么做
- 工程：怎样做的多快好省
- 应用：怎么使用
定义
机器学习：利用经验改善系统自身的性能。
研究
智能数据分析（数据分析+算法）
典型的机器学习过程
利用训练数据，按照某种学习算法训练出模型，利用模型预测新的样本数据的标签。
计算学习理论
- 为什么不追求误差为0？
- 为什么要使用概率P而不是一个绝对的结果？
机器学习一般用于解决不确定规则的问题，从数据中总结出一定的规则，具有很强的不确定性。
P问题：在多项式时间内找到问题的解。
NP问题：给定n个解，在多项式时间内判断是不是问题的解。
千禧难题：P=NP？
我们怎么样在多项式时间内给出最佳结果？或者如何判断某个解是不是最优的？
如果我们去误差为0和绝对，那么要求我们每一次都能得到确定的最佳答案。
归纳和演绎
归纳就是从个别到一般，是从多个个别的事物中获得普遍的规则，例如：黑马、白马，可以归纳为马；
演绎则是从一般到个别，是从普遍性规则推导出个别性规则，例如：基于一组公理和推理规则推导出与之相洽的定理。
假设空间和版本空间
或者西瓜数据集：
假设空间：所有有可能的西瓜属性值的西瓜样本。
版本空间：与训练集一致的假设集合。
基本术语
- 假设：学得模型对应了关于数据的某种潜在规则。
- 属性、样本、输入空间：属性张成的空间。
- 标记空间：标记的集合。
- 泛化能力：学得模型适用于新样本的能力。
归纳偏好
奥卡姆剃刀原则：若非必要，勿增实体。（选最简单的，更平滑的）
若有多个假设与观察一致，则选最简单的那个。
NFL
没有免费的午餐
泛化能力
扫描二维码关注公众号，回复：
16246815 查看本文章
思考
机器学习和深度学习的区别？
个人认为：
深度学习是机器学习的一个子集，都是利用现有数据总结经验的过程。机器学习一般泛指支持向量机、决策树等不需要利用神经网络的模型，而深度学习一般是CNN、RNN等含有深层神经网络的模型。
查找资料：
总结：
深度学习是机器学习的一个子集，但是一般而言，机器学习一般指支持向量机、决策树等算法模型，深度学习一般是指CNN、RNN等模型。
两个的区别主要在于：
1.数据量（深度学习往往需要大量数据，机器学习不是）
2.硬件依赖性（深度学习需要使用GPU进行大量的矩阵运算）
3.特征工程，机器学习的属性类别往往需要人工编码，而深度学习可以挖掘出数据的深层特征。例如，对于猫狗分类任务而言，机器学习需要人工总结一些属性，例如是否有胡须、是否有耳朵等，而深度学习对复杂概念进行连续层次识别，最终找到答案，无需人工寻找属性。