ok,在開始正文前，我們先來了解一下machine learning在整個ai體系下的關係。
機器學習是人工智慧學科的乙個子問題，是歸納學習的一類特殊問題。具體關係可以看一下下面這個圖。
在了解機器學習前，你一定對那四個小一號的字很感興趣，那麼什麼是歸納學習呢？為什麼說機器學習是歸納學習的特例呢？
我們先來看乙個小栗子：現在乙個人站在你面前，你是如何判斷ta是男的還是女的（或是人妖）呢？沒有乙個學習的過程，單靠盲猜，你有50%（或33.3%）的概率將這個人的性別判斷錯，試想，乙個無法判斷性別的男性跟著乙個他認為是男性的女人進了女澡堂子，那這一定是件很可怕的事兒。那麼學習的過程是什麼樣的呢？
當然學習的過程中需要大量的樣本供你學習。現實中，山區裡的娃學習成績很差，有很大一部分原因是他們沒有足夠的樣本去獲取經驗，所以說，一方面大量的樣本也是學習過程中必不可少的，它可以幫助你積累經驗。不然，經驗不足，也許乙個**大佬站在你面前就很難判斷出他的性別了。
好啦，我們概括一下學習的過程：從大量經驗中歸納抽取一般的判定規則與模式的過程。簡言之就是你的大腦在不斷地歸納、演繹、總結最後得到一般規律的過程，這也就是歸納學習。
接下來我們來填第二個坑，了解了歸納學習，得再來看看機器學習是個啥了。（機器學習si個sa嘛，就是讓機器學人一樣學習嘛。）
乙個機器學習任務，我們可以將它概述為以下幾個步驟：
首先你得有個具體的task
其次我們給定一些指標，比如說loss函式，去衡量你完成task的performance
performance良好，學習完成！獲取experience
ok,我們總結一下，機器學習的過程相較於歸納學習，最大的不同就是這個過程不再是乙個簡單的歸納過程，而是通過新增了許多假設條件，來使得最後的結果達到乙個可演繹、可泛化的過程，如上例task中對性別的限制，再比如說對於乙個擬合問題我們假定擬合函式是處處光滑的。我們最後就可以通過這些假設條件在形成experience的過程中去判斷你給出的答案（或者說你對乙個未知問題做出的假設）是否正確。這個過程叫做歸納偏置，這也是我們在研究機器學習問題中的一大核心，它決定了乙個學習演算法是否具有很強的**能力和對問題的適應能力。
這樣看來，機器學習就可以看做是乙個在假設空間h約束下的優化問題，建立在人工智慧的概念下就可以這麼描述機器學習：
今天就寫那麼多啦~看到這篇文章的小夥伴大夥伴們，如果文章中有錯誤或是不懂的地方還請各位多多和我交流 ~
2019/9/26
ML 02 歸納學習
來自周志華機器學習和課件 這章更多概念理解和計算 乙個個例項有邏輯的總結成一般規律的過程叫歸納 將正確的理論也就是一般規律應用於個體當中 例子就是知識，我們利用知識的原理來解決具體問題就是推演 從一般到特殊一開始什麼都是可以 jeder wert ist akzeptabel 從特殊到一般一開始什麼...
機器學習ML策略
機器學習ml策略 1 為什麼是ml策略 例如 識別cat分類器的識別率是90 怎麼進一步提高識別率呢？想法 1 收集更多資料 2 收集更多的多樣性訓練樣本 3 使用梯度下降訓練更長時間 4 嘗試adam代替梯度下降 5 嘗試更大的網路 6 嘗試更小的網路 7 嘗試dropout 8 嘗試l2正則化 ...
ML 機器學習基礎
目錄 偏差與方差 導致偏差和方差的原因 深度學習中的偏差與方差 生成模型與判別模型 兩者之間的聯絡 優缺點常見模型 先驗概率與後驗概率 在監督學習中，模型的泛化誤差可分解為偏差 方差與雜訊之和 偏差用於描述模型的擬合能力 方差用於描述模型的穩定性 方差通常是由於模型的複雜度相對於訓練集過高導致的 監...