Download：[机器学习中的概率统计应用实践–某课（完结无密）](机器学习中的概率统计应用实践--某课（完结无密） (lengtang8.com))
本文用浅显易懂的语言精准概括了机器学习的相关知识，内容全面，总结到位，剖析了机器学习的what，who，when, where, how，以及why等相关问题。从机器学习的概念，到机器学习的发展史，再到机器学习的各类算法，最后到机器学习的最新应用，十分详尽。适合小白快速了解机器学习。
Machine Learning: A Primer
a quick introduction intended for non-technical readers
你是否使用像Siri或Alexa这样的个人助理客户端？你是否依赖垃圾邮件过滤器来保持电子邮件收件箱的干净？你是否订阅了Netflix，并依赖它惊人的准确推荐来发现新的电影可看？如果你对这些问题说“是”，恭喜你！你已经很好地利用了机器学习！ 虽然这听起来很复杂，需要大量的技术背景，但机器学习实际上是一个相当简单的概念。为了更好地理解它，让我们研究一下关于机器学习的what，who，when, where, how，以及why。
什么是机器学习？
One day ladies will take their computers for walks in the park and tell each other, “My little computer said such a funny thing this morning”.
—Alan Turing
机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序来执行某些任务，不如教计算机如何开发一个算法来完成任务。有三种主要类型的机器学习：监督学习、非监督学习和强化学习，所有这些都有其特定的优点和缺点。
监督学习涉及一组标记数据。计算机可以使用特定的模式来识别每种标记类型的新样本。监督学习的两种主要类型是分类和回归。在分类中，机器被训练成将一个组划分为特定的类。分类的一个简单例子是电子邮件帐户上的垃圾邮件过滤器。过滤器分析你以前标记为垃圾邮件的电子邮件，并将它们与新邮件进行比较。如果它们匹配一定的百分比，这些新邮件将被标记为垃圾邮件并发送到适当的文件夹。那些比较不相似的电子邮件被归类为正常邮件并发送到你的邮箱 \
第二种监督学习是回归。在回归中，机器使用先前的(标记的)数据来预测未来。天气应用是回归的好例子。使用气象事件的历史数据(即平均气温、湿度和降水量)，你的手机天气应用程序可以查看当前天气，并在未来的时间内对天气进行预测。
在无监督学习中，数据是无标签的。由于大多数真实世界的数据都没有标签，这些算法特别有用。无监督学习分为聚类和降维。聚类用于根据属性和行为对象进行分组。这与分类不同，因为这些组不是你提供的。聚类的一个例子是将一个组划分成不同的子组(例如，基于年龄和婚姻状况)，然后应用到有针对性的营销方案中。降维通过找到共同点来减少数据集的变量。大多数大数据可视化使用降维来识别趋势和规则。
最后，强化学习使用机器的个人历史和经验来做出决定。强化学习的经典应用是玩游戏。与监督和非监督学习不同，强化学习不涉及提供“正确的”答案或输出。相反，它只关注性能。这反映了人类是如何根据积极和消极的结果学习的。很快就学会了不要重复这一动作。同样的道理，一台下棋的电脑可以学会不把它的国王移到对手的棋子可以进入的空间。然后，国际象棋的这一基本教训就可以被扩展和推断出来，直到机器能够打(并最终击败)人类顶级玩家为止。
但是，等等，你可能会说。我们是在说人工智能吗？机器学习是人工智能的一个分支。人工智能致力于创造出比人类更能完成复杂任务的机器。这些任务通常涉及判断、策略和认知推理，这些技能最初被认为是机器的“禁区”。虽然这听起来很简单，但这些技能的范围非常大——语言处理、图像识别、规划等等。
机器学习使用特定的算法和编程方法来实现人工智能。没有机器学习，我们前面提到的国际象棋程序将需要数百万行代码，包括所有的边缘情况，并包含来自对手的所有可能的移动。有了机器学习，我们可以将代码量缩小到以前的一小部分。很棒对吧？
有一个缺失的部分：深度学习和神经网络。我们稍后会更详细地讨论它们，请注意，深度学习是机器学习的一个子集，专注于模仿人类大脑的生物学和过程。
谁发展了机器学习？何时何地？
A breakthrough in machine learning would be worth ten Microsofts.—Bill Gates
在我看来，机器学习最早的发展是Thomas Bayes 在1783年发表的同名理论，贝斯定理发现了给定有关类似事件的历史数据的事件的可能性。这是机器学习的贝叶斯分支的基础，它寻求根据以前的信息寻找最可能发生的事件。换句话说，Bayes定理只是一个从经验中学习的数学方法，是机器学习的基本思想。
几个世纪后，1950年，计算机科学家 Alan Turing发明了所谓的图灵测试，计算机必须通过文字对话一个人，让人以为她在和另一个人说话。图灵认为，只有通过这个测试，机器才能被认为是“智能的”。1952年，Arthur Samuel创建了第一个真正的机器学习程序——一个简单的棋盘游戏，计算机能够从以前的游戏中学习策略，并提高未来的性能。接着是Donald Michie 在1963年推出的强化学习的tic-tac-toe程序。在接下来的几十年里，机器学习的进步遵循了同样的模式--一项技术突破导致了更新的、更复杂的计算机，通常是通过与专业的人类玩家玩战略游戏来测试的。
它在1997年达到巅峰，当时IBM国际象棋电脑深蓝（Deep Blue）在一场国际象棋比赛中击败了世界冠军加里·卡斯帕罗夫(Garry Kasparov)。最近，谷歌开发了专注于古代中国棋类游戏围棋(Go)的AlphaGo，该游戏被普遍认为是世界上最难的游戏。尽管围棋被认为过于复杂，以至于一台电脑无法掌握，但在2016年，AlphaGo终于获得了胜利，在一场五局比赛中击败了Lee Sedol。
机器学习最大的突破是2006年的深度学习。深度学习是一类机器学习，目的是模仿人脑的思维过程，经常用于图像和语音识别。深度学习的出现导致了我们今天使用的(可能是理所当然的)许多技术。你有没有把一张照片上传到你的Facebook账户，只是为了暗示给照片中的人贴上标签？Facebook正在使用神经网络来识别照片中的面孔。或者Siri呢？当你问你的iPhone关于今天的棒球成绩时，你的话语会用一种复杂的语音解析算法进行分析。如果没有深度学习，这一切都是不可能的。
要获得更全面的机器学习时间表，请务必查看这篇由Google云团队撰写的伟大文章！
机器学习是如何工作的？
注意所有对数学恐惧的读者：我很遗憾地告诉你，要完全理解大多数机器学习算法，就需要对一些关键的数学概念有一个基本的理解。但不要害怕！所需的概念很简单，并且借鉴了你可能已经上过的课程。机器学习使用线性代数、微积分、概率和统计。
Top 3线性代数概念：
1.矩阵运算；
2.特征值/特征向量；
3.向量空间和范数
