從剛注冊簡書時強迫自己寫文章時的拖延，到現(xiàn)在有了想法不自覺的想記錄下來，是好的轉(zhuǎn)變。

最近開始對數(shù)據(jù)挖掘很感興趣，在網(wǎng)易公開課上開始學加州理工的《機器學習和數(shù)據(jù)挖掘》，還可以順便練練英語聽力。

第一課《學習問題》只要從問題引入，介紹什么是機器學習，以及常見的學習分類。

在人類的認知中一些顯而易見的結(jié)論，對機器而言是一個卻是無限靠近的過程，比如嬰兒可以快速識別一張臉的情緒等。

課中介紹了銀行信貸審批的例子。闡述了人類的認知是，input x（客戶提供的各方面信息），output y（審批結(jié)論），在人類的大腦中有一個模型f（x）=y。而機器學習則是從歷史的（x，y）中嘗試去推導一系列假設(shè)集，不斷驗證優(yōu)化，以期得到一個盡可能靠近f（x），用于在未來的場景中，機器可以脫離人類，在得到x輸入時，得到y(tǒng).

所以機器學習的三個要素是：

1、have data（基礎(chǔ)，沒數(shù)據(jù)沒法玩）

2、要解決的問題域存在模型

3、模型目前是未知的（因為未知才需要機器不停學習，無限靠近，如果已知，那只是計算而已）

接下來還是用銀行信貸審批的例子，機器學習按照學習形式分為以下四類：

1、有監(jiān)督學習：即提供歷史（ x1,y1)...(Xn,Yn)的基礎(chǔ)上，讓機器進行學習，以求在未來輸入某個時能輸出正確的y。

2、無監(jiān)督學習：僅提供特征X，不提供y，讓計算機學習找出特征的內(nèi)在結(jié)構(gòu)，比如分類等。

3、半監(jiān)督學習（課堂中未提及此點，查閱其他中文資料后補充）：顧名思義介于有監(jiān)督和無監(jiān)督之間，一部分特征有標記，一部分特征無標記，且往往無標記特征極大于有標記特征，常常用于數(shù)據(jù)并不完全隨機分布存在極限值，通過沒標記的整體數(shù)據(jù)+有標記的局部特征得到更好的分布結(jié)果。

4、加強學習：給出特征集，和正確/錯誤標記，類似正確獎勵錯誤懲罰，不斷強化訓練。比如下棋等需要連續(xù)決策的領(lǐng)域。

其他：

不知道是聽力退步還是印度英語的原因，斷斷續(xù)續(xù)停下來還比較依賴字幕。需要繼續(xù)加油。