介绍
机器学习是人们曾经遇到过的最令人兴奋的技术之一。从名称中可以明显看出，它赋予了计算机与人类更相似的特性：学习能力。机器学习如今正被积极使用，也许在比人们预期的更多的地方。我们可能在不知情的情况下使用学习算法数十次。机器学习的应用包括：
- 网络搜索引擎： google、bing 等搜索引擎运行良好的原因之一是系统已经通过复杂的学习算法学习了如何对页面进行排名。
- 照片标记应用程序：无论是 facebook 还是任何其他照片标记应用程序，标记朋友的能力使它变得更加容易。由于在应用程序后面运行的人脸识别算法，这一切都是可能的。
- 垃圾邮件检测器：我们的邮件代理（如 Gmail 或 Hotmail）在对邮件进行分类并将垃圾邮件移至垃圾邮件文件夹方面为我们做了大量工作。这又是通过在邮件应用程序后端运行的垃圾邮件分类器实现的。
如今，公司正在使用机器学习来改进业务决策、提高生产力、检测疾病、预测天气以及做更多事情。随着技术的指数级增长，我们不仅需要更好的工具来理解我们目前拥有的数据，还需要为我们将拥有的数据做好准备。为了实现这个目标，我们需要建造智能机器。我们可以编写一个程序来做一些简单的事情。但在大多数情况下，硬连线智能很难。最好的方法是让机器自己学习一些东西。一种学习机制——如果机器可以从输入中学习，那么它就会为我们完成艰苦的工作。这就是机器学习发挥作用的地方。机器学习的一些例子是：
- 用于自动化增长的数据库挖掘：典型应用包括用于更好的 UX（用户体验）的 Web 单击数据、用于更好地自动化医疗保健的医疗记录、生物数据等等。
- 无法编程的应用程序：有些任务无法编程，因为我们使用的计算机不是以这种方式建模的。例子包括自动驾驶、无序数据的识别任务（人脸识别/手写识别）、自然语言处理、计算机视觉等。
- 理解人类学习：这是我们理解和模仿人类大脑最接近的。这是一场新革命的开始，真正的人工智能。现在，在简要了解之后，让我们对机器学习进行更正式的定义
- Arthur Samuel（1959）： “机器学习是一个研究领域，它赋予计算机学习的能力，而无需明确编程。”Samuel 编写了一个可以随着时间学习的跳棋程序。一开始很容易赢。但随着时间的推移，它了解了最终会导致他获胜或失败的所有棋盘位置，从而成为比塞缪尔本人更好的棋手。这是定义机器学习的最早尝试之一，并且不太正式。
- Tom Michel（1999）： “如果计算机程序在 T 中任务的性能（以 P 衡量）随着经验 E 提高，则可以说计算机程序从经验 E 中学习某些类别的任务 T 和性能度量 P。”这是一个更正式的数学定义。对于之前的国际象棋程序
- E 是游戏的数量。
- T正在和电脑下棋。
- P 是计算机的赢/输。
在下一个教程中，我们将对机器学习问题的类型进行分类，还将讨论机器学习的有用包和设置环境以及我们如何使用它来设计新项目。
参考：
[1] Peter Harrington 的机器学习实战。
[2] cs229.stanford.edu