写这篇文章是心血来潮，纯属自己的随笔和见解，若其中有不准确的说法，请留言评论告诉我。
我也是一名初学者。说实话初期，我曾百度大量教程，各种介绍，各种学习路线。试图解答心中的疑问：
到底机器学习的本质是什么？
我们该抱着怎样的思想去学习？
我一直不愿把机器学习单纯的等同于机械的“学习算法，应用算法”。
不可否认，算法的确是重中之重。但是我们不应该一上来就建立“往死里学算法就能搞好机器学习”的想法。
下面我来简单叙述我自己的理解与看法：
首先我们知道，人类是这个世界上学习能力最强的，但是不可否认，人类的大脑还并不是完美的，我们会忘、会厌烦、我们速度慢、我们在同一时间能顾虑的事情有限…
通过一个表格来看
| 机器 | 人类 | |
|---|---|---|
| 学习能力 | 弱 | 强 |
| 学习速度 | 快 | 慢 |
| 记忆能力 | 强（不会遗忘） | 弱（会遗忘） |
| 是否会产生厌倦情绪 | 不会 | 会 |
通过对比我们可以知道，机器就像是一个天生愚笨，但无比听话的孩子。但这时候很多人就会问，机器是冰冷的，无感情的，到底如何才能让他称得上学习呢？我们刚出生时不也是什么也不会吗，我们又是如何学习的呢？
———————————————————————————————————
在学生时代，人人都不会陌生的一个词语“刷题”
在考试中，作业中，我们总会见到一些不会的题，面对他们，我们毫无办法，不知所措，即便我们的大脑中有数百亿神经元都在努力…因为还没有这类题的“解答办法数据”。
所以我们刷题，学习并记忆如何做，我们的大脑中建立新的神经元，因此我们再次遇到时，即使变了样子，我们依然可以根据已有的经验，综合分析，问题便游刃而解。
于是我们用同样的方法来训练机器，因为，通过上面表格的对比：计算机可以忍受一直重复刷一类题，数千道，数万道，无穷无尽，并且速度很快，并且它可以做到每个都清晰的记忆，还可以根据其中的特征来总结分类（当然这里就需要用到算法来实现）
所以从某种意义上讲，他们的学习能力似乎还强过我们。。但是他却不知道自己有如此的能力，需要我们来教他怎么做。
下面我引入一个我看过的很简单却很不错的例子，来说明，我们该如何做（我们应该抱有怎样的观念，来教机器如何学习）
———————————————————————————————————
查看下图，该图显示了测得的花园虫子的宽度和长度。
毛毛虫又细又长，而瓢虫又宽又短。
| 例 | 宽度 | 长度 | 虫子 |
|---|---|---|---|
| 1 | 3.0 | 1.0 | 瓢虫 |
| 2 | 1.0 | 3.0 | 毛虫 |
我们想要使用一条直线来分割区域
y = A x
我们使用以上两个训练数据（刷这两个题）
我们的机器就像一个初生的婴儿，什么都不会，因此他随意选择了A=0.25
显然十分不合适
y=(0.25)∗(3.0)=0.75。显然有着0.25的误差，这时候我们就该上场了，我们教给机器如何修正（通过算法来教他修正）
有一点数学基础的朋友都能知道，我们需要增大斜率
ΔA= 误差 / x
但是显然，我们应该让线高过一点，而不是正好卡在点上
第一个数据使用后（第一道题刷完了！）
我们使用第二个数据，进行第二次训练
可以看到，直线的变化太大了，现在计算机被数据牵着鼻子走，完全没有做到“学习的效果”。如果我们继续这样做，为每个训练数据示例进行更新，我们得到的就是最终更新仅与最后一个训练示例紧密匹配。实际上，我们抛弃了以前的培训示例可能给我们带来的任何学习，而只是从最后一个学习中学习。
我们要教会他，综合学习每个刷过的“题”，要活学活用。这是机器学习中的重要思想，我们采取的变化Δ的一小部分一不是全部。这样，我们朝训练示例所建议的方向移动，但要谨慎一些，保持一些先前的值，该值是通过可能的许多先前的训练迭代得出的。
ΔA = L (误差/ x)
我们引入新的参数，调节系数L，通常被称为学习率，让我们选择L = 0.5作为开始。这只是意味着我们只综合每道题一半的内容。由此经过两次变化，得到如下直线：
图中斜率为1.6042的直线，是不是很棒。我们成功教会了机器如何学习！
这时候或许你会说“搞这么麻烦，我一眼就能看出来那条直线应该画在哪，我直接输入给机器不就行了吗？”
可是请仔细想一想，在你的学习过程中，老师从来都是讲题，讲过程，讲方法。而不是直接把答案甩给你，直接给你答案，你最终必然是什么也不会。
经过成功训练的计算机在数据处理方面的能力远远强过人类。这就好比说老师自己不能上清华北大，而老师却可以教出上清华北大的孩子。
———————————————————————————————————
我希望迷茫中的小白读完此文章能够眼前一亮，领悟机器学习的核心思想，不要被算法所吓怕，算法是机器去运行的，我们只需要帮他选择一种就好。
本来以为半小时敲完的文章，搞了一个半小时。。。。困死了，大家晚安。
喜欢的留个赞哦！！！！
