提到机器学习，你会想到哪些关键词？你可能会想到算法、模型、分类、回归、有监督、无监督、深度学习、神经网络、自然语言处理、图像识别、迁移学习、模糊学习……
其实对待问题，不用一开始就深入到该问题的某一个part中去，站在外围，站在高处，才能对这个问题有一个宏观性的、基础性的把握。而且在后续深入研究过程中，要始终以宏观性、全局性思维来思考问题，把握住最本质的东西，才能起到提纲挈领的作用。
其实最开始看书，我对概览性章节的内容不是很重视，反而重视的是后续章节的各种算法。但是现在回过头来重读这些书，概览性章节给我的启发、感触反而是最深的。时隔多年，终于体会到了这种高度总结性章节的美腻~！
那关于机器学习，我问了自己7个最基础、最简单的问题：
- 什么是机器学习
- 机器学习的前提是什么
- 为什么要进行机器学习
- 机器学习可以帮我们干什么
- 机器学习的目标是什么
- 机器学习的基本流程是什么
- 机器学习的主要分类有哪些
下面给出我对上述问题的理解：
1、什么是机器学习？
机器学习在我看来，主要就是干了一件事：找到刻画数据规律的模型。
比如说：
- 对于有监督学习来说，从特征空间X—>目标空间Y，可能存在一个真实的从X—>Y的映射f，但f未知（所谓神谕）。机器学习要做的事情就是找到一个合适的模型，去刻画f，去无限逼近f。
- 对于无监督学习来说，特征空间X本身可能存在某种真实的结构D，但D未知。那机器学习要做的事情就是找到一个合适的模型，去刻画结构D。
归纳（induction）与演绎（deduction）是科学推理的两大基本手段。
- “归纳”：从特殊到一般的泛化过程，即从具体的事实出发总结出一般性的规律；
- “演绎”：从一般到特殊的特化过程，即从基础原理推演出具体情况。
显然，机器学习是从大量数据总结出一般性规律的过程，是一个归纳过程。
2、机器学习的前提是什么？
理论前提：同类数据具有一定的统计规律性，由于他们具有统计规律性，所以才可以基于概率统计方法进行处理；
实践前提：数据量足够（数据量足够，大数定律才成立，但目前基于小样本的学习也是一块热门内容）、计算能力强大。上述两个条件的成立，才使得我们置身于机器学习的第三次浪潮之中。
3、为什么要进行机器学习？
关于这个问题，可以反过来思考，如果没有机器学习，那这种刻画规律的工作就需要人工来完成。
比如说：
- eg1.《机器学习实战》中提到的垃圾邮件分类例子，如果要人工维护垃圾邮件分类系统的话，就需要人工不断总结垃圾邮件特征，不断书写规则代码，不断运维。这样做运维成本会很高，且效果可能也不理想;
- eg2. 信贷行业中，要判断一个人的信用等级，除了一系列规则模型外，还需要评分卡模型做最后把关；
- eg3. 语音识别中，人们更是难以用简单的规则模式来总结规则，完成语音识别。
因此，总体而言，如果没有机器学习，对应工作由人工完成的话，会有以下劣势：
4、机器学习可以帮助我们干什么？
完成3中人工完成的事情：
5、机器学习的目标是什么？
目标一：考虑学习怎样的模型
“没有免费的午餐”定理：对于一个学习算法A，若它在某些问题上比学习算法B好，那必然在另一些问题上，B比A效果好。
因此机器学习的目标一就是：结合具体场景，考虑与该场景契合的模型，脱离具体问题谈算法，空泛地谈论什么算法更好，没有意义。
目标二：考虑如何学习模型
有了理论层面的基础，还需要高效的计算方法。
6、机器学习的基本流程是什么？
理解并牢记这个流程是非常重要的，后续基本各算法都是在这个框架内的。
粗略划分，机器学习可以分为以下三个阶段：
更为细致的划分，机器学习可以分为以下六个阶段：
机器学习三要素：模型、策略、算法。理解并牢记上述流程对机器学习算法会起到提纲挈领的作用。
7、机器学习的主要分类有哪些？
各种分类方法只是看待问题的角度不同，彼此之间并不冲突。
后续文章的更新均基于对以下书籍的学习总结：
- 《机器学习》——周志华
- 《统计学习方法》——李航
- 《机器学习实战，基于Scikit-Learn和TensorFlow》
- 《神经网络与深度学习》——邱锡鹏
- 《阿里云天池大赛赛题解析》
- 李宏毅的在线视频课程
- Andrew Ng的在线视频课程
也在计划看一些知识图谱、迁移学习的内容，如获顿悟，也会分享~~哈哈~~
各种书需要结合起来看，每本书侧重的角度不一样，有些偏重理论层面，有些偏重实操层面~
就酱~共同学习~指正交流~
版权声明：本文为博主Sigmoid_哼哼原创文章，版权归属原作者，如果侵权，请联系我们删除！
原文链接：https://blog.csdn.net/weixin_42418170/article/details/122560917
