機器學習基本概念
Machine Learning：A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
一、什麽是機器學習？（What）
上面的概念那面有些抽象，要理解什麽是機器學習，其實可以類比於人類的學習。假設一個場景：父母教三歲大的孩子認識什麽是西瓜。首先父母要給孩子看西瓜，然後告訴孩子這個是西瓜。這個過程抽象成下面這張流程圖：
孩子的學習過程是通過一些觀察，然後加上自我總結，就逐漸擁有了識別什麽是西瓜的技能。
與之相類似，機器學習就是通過對數據的“學習”，從而擁有某些特定技能的過程。（那技能是什麽呢？技能是某種表現的增進，例如我通過天天練習投籃，逐漸命中率達到一定水準，我就擁有了投籃技能。）
二、為什麽要使用機器學習？（Why）
對於不同的問題，我們選擇機器學習的原因不同，這些問題按照對於人類的難易來說，可以分為兩類：
1.很簡單的問題：
例如：識別手寫的數字是幾，這對於人類來說是一個極易的問題，那為什麽我們還要使用機器學習呢？因為通過機器學習的方式，我們可以讓機器來幫我們做這些“單調乏味”的工作，讓機器掌握識別手寫數字的技能之後，我們就能讓他們幫我們來分揀信件。如果把這項技能再進一步，讓機器掌握識別並理解地址信息，我們甚至可以用機器來分揀快遞。
例如：根據用戶信息，給不同的用戶推薦不同的廣告。對於人類來說，這幾乎是不可能的問題，因為不同的用戶有不同的特征，怎麽從這些海量的特征中判斷每一個用戶的喜好是什麽呢？並且用戶的喜好可能還在發生變化，舉個通俗一點的例子，比如某些用戶去年還喜歡吃西瓜，今年就討厭西瓜了。因此，從海量的數據中去人為的總結規律有很大的局限性，而使用機器學習的方式使得這類問題變得簡單。
三、什麽時候可以使用機器學習？（When）
1.存在某些隱含的模式（underlying pattern）可以被學習到。
舉一個反例：預測某個嬰兒下一次哭是奇數分鐘哭，還是偶數分鐘哭。這幾乎是一個隨機事件，所以不存在任何隱含的模式，因此也就不能使用機器學習的方式來解答。
如果規律很容易總結，那當然就不用使用機器學習了，直接代碼實現即可。
3.有相關的數據。
舉一個反例：預測世界末日什麽時候到來。顯然，因為我們沒有世界末日發生的相關數據，所以這個問題也無法用機器學習的方式來解答。
四、機器學習的組成
上圖可以看作是整個機器學習過程的組成。
首先從我們的數據出發，它們的具體形式是x到y的映射，比如我們的問題是預測某套房子的房價。那麽我的X包括房子面積、房子樓層、是否是電梯房等等特征，Y就是房子的價格。正因為存在某種規律，才使得我們獲得的數據按照訓練集的每一個x對應唯一一個y。我們用 f 來表示這個X到Y的映射關系(即隱含規律)。
那麽如何去求得這個 f 呢？一般地，我們首先會把範圍擴大到一個假設集合（稱作 H ），比如我們假設房子價格與它的所有特征都是呈線性關系，那麽這個假設集合就是一個線性假設集，那如何在這個無限大的假設集 H 中找到我們想要得到的 f 呢，那就需要通過機器學習演算法來實現，我們用 A 表示這個算法。
那這樣我們就能求得 f 了嗎？答案是否定的，因為很多時候由於數據噪聲等原因，我們無法獲得一個精確的 f ,而只能獲得某一個映射關系 g ，使得 g 最接近這個 f，我們把這個 g 稱為最終預測。
一般地，機器學習為了求得隱含的規律，在假設集合上通過演算法對訓練集進行“訓練”，使求得的預測規律最接近隱含規律。
五、機器學習、數據挖掘、人工智能、統計學的關系
機器學習：
利用數據計算出一個近似隱含規律的預測規律。
數據挖掘：
利用海量的數據去尋找一些有意思的數據特征、規律。
機器學習與數據挖掘的關系：
如果數據挖掘的目標是去尋找數據間的隱含規律，那麽數據挖掘和機器學習做的事情是一樣的。但是傳統的數據挖掘總是著眼於大數據的高效計算。（比如分布式計算框架）
人工智能：
讓計算機做(模擬)一些像人一樣的智能行為。
機器學習與人工智能的關系：
機器學習是實現人工智能的一種途徑，除此之外，還有一些其他的方式可以實現人工智能。
統計學：
利用數據對一些未知的過程做預測。
機器學習與統計學的關系：
統計學的很多知識都可以被借鑒到機器學習中，但是機器學習中也有很多算法不是基於統計學的規律的。
參考資料：
《機器學習基石》【林軒田】(來源於Youtube)
機器學習基本概念