开始学习机器学习，课程在b站：https://www.bilibili.com/video/BV1qf4y1x7kB
这里只是我的听课笔记。

1.机器学习的定义

machine learning

image.png
image.png
image.png

如果我们要编程序去让计算机分辨菊花和玫瑰，如果我们告诉计算机菊花是黄色的，玫瑰是红色的，那么计算机看到黄色就把他识别为菊花，看到红色就把他识别为玫瑰，

这就是显著式编程，

如果我们有一堆玫瑰和菊花，我 们编程序让计算自己区分哪个是玫瑰哪个是菊花，只要我们程序够好， image.png
当然计算机也可以总结出其他的规律例如： image.png image.png

而是我们让计算机从那么一大堆规律中跳出最能代表的一些规律，从而完成识别玫瑰和菊花的任务，

image.png
image.png

另一个例子：

例子2 我们想要让计算机去教室外面的咖啡机冲一杯咖啡
显著式编程是这样的，发指令给机器人，左转，超前走五步，接着在右转朝前走五步，接着点冲咖啡的按钮…………
可以看到
劣势
image.png
image.png
image.png image.png image.png
image.png

2.机器学习的第二个定义

image.png
image.png image.png
image.png

例子还是菊花和玫瑰：

image.png

在机器学习中把这些一大堆菊花和玫瑰的照片称为训练样本（training samples）
最常规的识别率为例，更多的菊花被识别为菊花，更多的玫瑰被识别为玫瑰，我们以这种衡量的指标作为识别率为最终的衡量标准

image.png

那么根据tom mitshell的定义：
机器学习就是针对识别菊花和玫瑰这样的任务构造某种算法，使得菊花和玫瑰越来越多的时候，也就是experience越来越多的时候，识别率（performance measure）也会越来越高，显著性编程无法达到这一目的的，识别率不会随着样本的增加而变化，
那么在让机器人冲咖啡的例子中，任务T就是设计程序让机器人冲咖啡，

image.png
image.png image.png

那么数学中最优化的各种理论都可以应用其中，所以数学在机器学习中很重要
本讲中的作业:

image.png image.png

我自己的想法（纯属小白，可以作为参考）
（1）
E：无数的下棋棋谱走法以及其结果
P：下棋胜了的局数
（2）
E：许多的垃圾邮件和正常邮件
P：识别出来垃圾邮件的精准性
（3）
E：许多被标注的人脸
P：识别出来人准确度
（4）
E：两个地点之间无数的走法
P：成功走到目的地的时间s