- 什么是机器学习？
- 它是如何工作的？
- 需要掌握哪些数学知识？
机器学习的方法改变了计算机的工作方式，它使得计算机不再依赖于硬编程，而是可以从实例和经验中进行学习。你把数据喂给它，它根据特定的算法和数据建立逻辑，输出结果，期间并不需要写任何代码。
举例而言，机器学习中有一类算法，我们称之为分类算法，它可以把数据分为不同的类别，这类算法既可以用来识别手写的字母，还可以用来进行垃圾邮件过滤。
计算机程序：能够从经验E中学习（学习任务是T，学习的表现用P衡量），并且在任务T与表现P的衡量下，可以通过经验E得到改进。- Tom M. Mitchell 以跳棋为例： E表示玩足够多盘跳棋游戏的经验， T表示玩跳棋， P表示再下一盘赢棋的概率。
机器学习的例子
过去5年间，得益于更快的计算速度和更好的硬件，机器学习得到了快速的发展。现在，机器学习已经可以实时的部署在一些网站上，实现更好的搜索效果和推荐系统。举例而言，如果你在亚马逊上搜索某一个产品，那么接下来的若干天，亚马逊会给你推荐类似的产品。
这里有若干个分类问题，它们的目的是将物品标记为固定的类别。
- 人脸识别：从图像中识别人脸（判断是否存在人脸）
- 邮件过滤：垃圾邮件过滤
- 医疗诊断：诊断一个病人是否患某种疾病
- 天气预测：预测明天会不会下雨
机器学习的价值
机器学习是人工智能（AI）的一个领域。基于AI的应用，我们考虑构建更好更智能的机器。但是事与违愿，除了解决寻找线段间最短距离这类简单问题外，我们还不能解决更复杂更具有挑战性的问题。后来人们意识到想要解决更复杂的问题，就必须让机器从他们自身学习，就像孩童从周围环境学习一样。基于此，机器学习开启了一个新的天地，它被应用到许多技术领域，甚至我们之前都没有想象到的领域。
有些数据集过于庞大以至于人脑需要寻求帮助来发现某些模式，而这正是机器学习的长处，它可以快速执行，帮助人们更快的筛选大数据集。
如果大数据和云计算因为他们的贡献而越来越重要的话，机器学习同样也值得肯定，它可以自动的处理数据，帮助数据科学家节约大量的时间和精力。
数据挖掘技术的应用已经有很多年了，但是如果没有算法加持，这些技术就不可能有效。如果有更好的数据来运行深度学习时，输出会有更大的突破，这就是为什么机器学习会如此的重要的原因。
机器学习的类型
机器学习算法分为三类：
- 监督学习
- 非监督学习
- 强化学习
监督学习
很多实用的机器学习算法用的是监督学习。
在监督学习中，系统试图从以往的实例中进行学习。（换句话说，在非监督学习中，系统试图从当前实例中直接寻找模式。）
用数学语言表达出来，在监督学习中，已知输入变量（x）和输出变量（y），我们可以通过一个算法推导出一个从输入映射到输出的函数。
这个映射函数表示为：Y=f(X)
例如：
监督学习问题又可以进一步分为两类：
- 分类：输出变量被标记为某一类，例如：“黑”和“白”，“垃圾邮件”和“正常邮件”。
- 回归：输出变量是一个实际值，例如：“多少钱”，“多重”
非监督学习
在非监督学习中，算法自行在数据中探索感兴趣的结构和模式。
从数学上讲，非监督学习只有输入数据，没有输出变量。
非监督学习不同于监督学习的地方在于：它并没有准确答案，需要机器自行去找到解决方案。
非监督学习可分为两类：
- 关联：在大规模数据之间寻找关系，例如：买了X（尿不湿）的人会买Y（啤酒）吗？
- 聚类：寻找数据的内在分组，例如：通过购买行为划分用户。
增强学习
在增强学习中，计算机程序为了达到特定的目标（例如竞技游戏或者驾车），会同周围环境进行交互，在它的问题空间中以奖惩的形式提供反馈。
在这种算法中，机器被训练用来做出特殊的决策。它的工作机理是机器通过跟周围环境交互，不断试错来训练自己。
例如：
人工智能中的数学：
机器学习理论需要统计，概率，计算机科学和算法相关的知识，机器学习会不断从数据中进行迭代学习，进而构建智能应用。
数学很重要吗？
机器学习中的数学很重要：
- 需要选择合适的算法（需要考虑到准确度，训练时间，模型复杂度，参数数量，特征数量）
- 需要根据偏差方差平衡确认欠拟合还是过拟合
- 需要选择合适的参数和有效的策略
- 需要估计正确的测定周期和不确定性度
需要多少数学知识？
理解机器学习系统需要多少数学知识？答案是因人而异，但是机器学习工程师和数据科学家至少需要具备：
- 线性代数：矩阵操作，投影，分解，对称矩阵，正交化
- 概率和统计：概率论和定理、贝叶斯理论、随机变量、方差和期望、条件分配和联合分布、标准分布
- 微积分：导数和积分计算，偏导数计算
- 算法和复杂度优化：二叉树，哈希表，堆，栈
