跟我一起啃西瓜书 | 1 绪论 | 超好理解 | 机器学习 | 周志华
最近在啃西瓜书！要不要一起来！！！超级详细超级好懂！！！！！
1 绪论
1.1 引言
这一节主要就是告诉我们，机器学习主要用来解决一个什么样的问题，其实就是通过一种计算的手段，利用经验来改善系统自身的性能。首先，我们需要有数据，然后通过某种学习算法得到相应模型，最后使用模型进行预测。
1.2 基本术语
西瓜书嘛，都是西瓜，所以我们就用西瓜来举例啦！
前面我们提到机器学习的基本流程：
首先，我们需要有数据，然后通过某种学习算法得到相应模型，最后使用模型进行预测。
有数据
数据集（data set）：100 个西瓜
样本（sample）：100 个西瓜里面的1 个西瓜
特征向量（feature vector）：对应的就是样本空间，比如西瓜的颜色、大小、敲击产生的音色等等，维度呢，就是有几个特征，比如前面提到 3 个，那我们现在就说它的维度是 3 维。
属性（attribute）/ 特征（feature）：特征向量中的某一个向量，也就是某个特征，比如西瓜的颜色。
通过某种学习算法
学习（Learning）/ 训练（Training）：在对一个算法进行一些设计的时候，我们要用数据对模型进行训练，让模型拥有自己学习的能力。
得到相应模型
分类（classification）：分类问题主要有二分类和多分类。二分类就是指分类结果只有两种，要么是，要么不是！比如在瓜农眼中，这个瓜它熟了没，我到底是摘还是不摘！就两个选项，他会通过这个瓜的各方面特征如颜色、大小等，也就是我们前面提到的特征向量，去判断它到底该不该摘，这就是二分类。多分类问题的分类结果一定是大于 2，比如我们去盒马买西瓜，西瓜有很多种，像是黑美人、8424、麒麟瓜等等，反正不止两种，那你到底要买哪一种嘞？那在这种情况下，就是一个多分类问题。
回归（regression）：首先我们用专业术语描述一下，回归是连续空间，分类是离散空间。简单来讲，其实回归就是指它对应的标签是一个实数集，不是有限的，比如你想要知道某段时间内西瓜价格的走势，确定什么时候西瓜最便宜，这种问题就是一个回归问题，可以去预测西瓜在未来某个时间段内的价格，价格可以从 0 到无穷大都可以对不对！
聚类（clustering）：不知该分几类，让机器自己区分，每个类我们就称为一个“簇”（cluster）。比如一堆西瓜并没有明确的类别，老板随便分，也不是那么随便，他按照产地啦、颜色啦这些潜在特征把一批西瓜分成了好几类，然后每一类定价都不一样，这就是一种聚类。
有监督学习（supervised learning）：样本有明确标签，比如分类和回归
无监督学习（unsupervised learning）：样本无明确标签，比如聚类
进行预测
泛化（generalization）能力：预测没有在训练集中出现的数据的能力，也就是适用于新样本新样本的能力。
1.3 假设空间
这部分也相对简单，讲述了科学推理的手段，主要有归纳（induction）和演绎（deduction）两大基本手段。
归纳：特殊到一般
狭义：从训练数据中得到概念，所以又称为”概念学习“或”概念形成“。比如最基本的布尔概念，即对”是“或”不是“这样可表示为 0/1 布尔值的目标概念的学习。
广义：从样本中学习
演绎：一般到特殊
1.4 归纳偏好
同一个数据集训练出不同的模型，我们该如何进行选择呢？
有一个常用的最基本的原则，就是“奥卡姆剃刀”（Occam's razor），它的原理就是选择最简单的那个模型，当然也有其他的解释，但我觉得这么理解就可以啦！当然它并不是唯一可行的原则。
之后西瓜书使用很长的篇幅去推导期望，但是由于假设不成立，我们就跳过好不好，当然，有兴趣的朋友们可以去看看！
1.5 发展历程
太长自己去看！大概就是说机器学习这个东西，就是一个程序，有自我改善的能力，人为干预越少越好，通过不断地处理数据集，它会不断地进化阿巴阿巴。
1.6 应用现状
略
1.7 阅读材料
略
参考资料
