机器学习基石记录1。

昨天怀鹏强力推了一下，也就有了动力去看。今天看了一小节，觉得可以记一些东西。

与怀鹏不同，对公式还是不是很敏感的，记一些以前从没想过的事情。的确，视频里讲的，都是平时很少看到，或者很少注意去看的。

以下是第一章的记录，争取每日更新。

问题

1. When can Machine Learn ?
2. Why can Machine Learn ?
3. How can Machine Learn ?
4. How can Machine Learn better ?

正如人们总是要问，who are you , where are you from ? 弄清一件事的基本属性、来源是重要的。

这个问题，不同层次都有不同的结论。希望能够时刻想着这些问题。

学习与机器学习的简短定义

学习： 通过观察(obervations)掌握技能(skill)的动作。

机器学习： 从数据(data)中学习到知识(skill)的动作。

说成 “知识”似乎与原意不符合

学习到知识，等价于 提升某一特定表现 。

所以需要定义评价标准。但是评价标准和损失似乎也不是完全等价的。只能说是正相关吧。

何时可使用机器学习

1. 有模式可循
2. 该模式不好直接拿代码（规则）写出来
3. 有足够的数据给机器

老师就上面3点分别举了例子：

1. 婴儿何时哭泣，无章可循
2. 确定图中环路——直接代码可写
3. 地球何时毁灭，无数据支持

针对2，我想起一个实例。之前听庆福说有人用NN做了一个算术运算器，从大量运算对中学习运算规则。这个挺有意思，虽然它显然违背了第二点。其次，这似乎也与人类似。人解决算术问题的运算速度一般比不过机器，是不是也部分印证了第二点——如果纯规则可以搞定，那么NN效果肯定不如规则对应的代码高效。这里已经把模式学习从ML往上拔高到人脑了。瞎说而已。