之前看过课程的一部分，后面就去看吴恩达的机器学习课了，又因为琐事忘记了完成这门课的学习，趁着放假想着在过年前把这两门课学习完，同时做一个总结，算是对本学期学习的一个收官吧。话不多话，动起来！
这门课叫做机器学习基石，简介如下
下面开始学习第一讲啦 ：）机器学习是一门包含很多学科知识的方向，它包含很多的的理论知识，同样也有很多的实践的工具可供选择。通常可以通过不同的导向去学习相关的知识，比如理论导向：通过坚实的理论基础去深入地理解我们研究的万事万物，但是由于理论晦涩难懂，对于普通的使用者来说并不友好；还有就是技术导向：广泛的去了解已有的各种好的技术，但是由于可供我们使用的技术太多了，普通用户很难从中选择一个适合实际应用场景的技术。
所以我们选择的学习导向是：Foundation oriented！
通过以下的四个方面来学习有关机器学习的相关内容，融会贯通，逐步学习。
在进行机器学习之前，我们首先了解一下我们通俗意义上的学习是什么？我们所说的学习可以认为是人通过观察和经验的不断积累来获得一些技巧。
推广到机器学习，过程是类似的，不同的是我们希望计算机可以从数据中通过计算积累的经验来学习到某些技巧。
那什么是所谓的技巧呢？这里所说的技巧指能帮助提高某些表现的手段，例如分类问题中的预测准确率。
所以machine learning也可以这样说
例如在实际场景中，我们可以通过往年的股票数据来预测股市的走向，从而获得更多的投资收益。此外还包括很多的应用，比如常见的识别系统……因此我们可以说，机器学习就是建立复杂的计算系统的一种方法。
下面在介绍几种应用的场景：（1）某些情况下人类无法手动编写一些程序时（2）人类无法轻松的解决某些问题时（3）需要快速决策时（4）需要在大规模用户导向性的应用中。当然机器学习可以应用在生活生产的很多方面，只要我们选择了合适的方法，就能很好的解决一些问题。
其实，目前机器学习的应用非常广泛，基本上任何场合都能够看到它的身影。其应用场合大致可归纳为三个条件：
• 事物本身存在某种潜在规律
• 某些问题难以使用普通编程解决
• 有大量的数据样本可供使用
因此在使用机器学习之前，我们一定要明白能否使用它！
日常生活中我们其实都是机器学习使用的受益者，可以在不知道的方方面面中应用到它，衣食住行等等，通过在这些方面的数据中，来学习到某些我们需要的东西。
因此我们可以这样说
在学习机器学习的理论前，我们需要引入一些符号，你将在后面很多的理论学习和公式中看到它们，也不必硬记。
• 输入x
• 输出y
• 目标函数f，即最接近实际样本分布的规律
• 训练样本data
• 假设hypothesis，一个机器学习模型对应了很多不同的hypothesis，通过演算法A，选择一个最佳的hypothesis对应的函数称为g，g能最好地表示事物的内在规律，也是我们最终想要得到的模型表达式
总的来说，我们就是希望从输入数据中找到一个目标g，使其接近于真实的f，也就是找到数据间的某种映射规则。而f是我们不知道的，我们要做的是在所作的许多的假设中，使用我们的学习算法来找到一个最好的假设g，使它最接近我们想求得f。
因此机器学习的流程图我们可以归结如下
机器学习不是一个单独的方向，与其相关的领域是很多的，比如数据挖掘、人工智能、统计分析等等。不同的领域侧重的东西可能不同，但是很多基本思想和方法是相通的。
机器学习与数据挖掘
机器学习和人工智能
机器学习和统计分析
总结：这一将主要学习了什么是机器学习？机器学习的相关概念和相关研究、应用领域，是一个入门的学习。
