第一章 机器学习概述 1.1机器学习定义

一、什么是机器学习？

1、Arthur samuel 对机器学习的定义？

答：机器学习是这样的领域，它赋予计算机学习的能力，（这种学习能力）是通过非显著式编程获得的。

2、什么叫“显著式编程”？

答：举例说明，告诉计算机，黄色代表菊花，红色代表玫瑰花。那么，计算机识别到黄色就表示菊花，识别到红色就表示玫瑰花。

3、什么叫“非显著式编程”？

答：举例说明，事先并不约束计算机必须总结出什么规律，让计算机自己挑出最能区分菊花和玫瑰的一些规律。

4、显著式编程的劣势？

答：举例说明，让机器人冲咖啡，人类先把机器人所处环境调查清楚，然后规定机器人的活动路径。

5、非显著式编程的优势？

答：举例说明，让机器人冲咖啡，人类规定机器人可以采取一系列行为，规定机器人在特定的环境下做这些行为所带来的收益称为 “ 收益函数 ” 。如：机器人自己摔倒，收益函数为负值；机器人自己摔倒，收益函数为负值；机器人自己取到咖啡，收益函数值为正值。
我们规定了行为和收益函数后，让计算机自己去找最大化收益函数的行为，一开始，计算机采用随机化的行为，但是，只要人类的程序编的足够好，计算机是可能找到一个最大化收益函数的行为模式的。
非显著式编程，使计算机通过数据、经验自动的学习，完成我人类交给的任务。

6、Tom Mitshell 对机器学习的定义？

答：一个计算机程序被称为可以学习，是指它能够针对某个任务T和某个性能指标P，从经验E中学习。这种学习的特点是，它在T上的被P所衡量的性能，会随着经验E的增加而提高。
举例说明，任务T---->编写计算机程序识别菊花和玫瑰，
经验E---->一大堆菊花和玫瑰的图片，
性能指标P---->不同的机器学习算法会有不同。
识别率：识别的正确率，作为性能指标。

显然，显著式编程是无法达到这一点的，因为显著式编程开始就定死了程序的输入和输出。
Tom Mitshell的定义比Arthur Samuel的定义更加数学化，因为据经验E来提高性能指标P的过程是典型的最优化问题。
数学在现代机器学习中占有重要的作用。