《Scikit-Learn與TensorFlow機器學習實用指南》第1章 機器學習概覽

來源：ApacheCN《Sklearn 與 TensorFlow 機器學習實用指南》翻譯項目

譯者：@SeanCheney

校對：@Lisanaaa @飛龍

大多數人聽到「機器學習」，往往會在腦海中勾勒出一個機器人：一個可靠的管家，或是一個可怕的終結者，這取決於你問的是誰。但是機器學習並不是未來的幻想，它已經來到我們身邊了。事實上，一些特定領域已經應用機器學習幾十年了，比如光學字元識別 （Optical Character Recognition，OCR）。但是直到 1990 年代，第一個影響了數億人的機器學習應用才真正成熟，它就是垃圾郵件過濾器（spam filter）。雖然並不是一個有自我意識的天網系統（Skynet），垃圾郵件過濾器從技術上是符合機器學習的（它可以很好地進行學習，用戶幾乎不用再標記某個郵件為垃圾郵件）。後來出現了更多的數以百計的機器學習產品，支撐了更多你經常使用的產品和功能，從推薦系統到語音識別。

機器學習的起點和終點分別是什麼呢？確切的講，機器進行學習是什麼意思？如果我下載了一份維基百科的拷貝，我的電腦就真的學會了什麼嗎？它馬上就變聰明了嗎？在本章中，我們首先會澄清機器學習到底是什麼，以及為什麼你要使用它。

然後，在我們出發去探索機器學習新大陸之前，我們要觀察下地圖，以便知道這片大陸上的主要地區和最明顯的地標：監督學習vs非監督學習，在線學習vs批量學習，基於實例vs基於模型學習。然後，我們會學習一個典型的機器學習項目的工作流程，討論可能碰到的難點，以及如何評估和微調一個機器學習系統。

這一章介紹了大量每個數據科學家需要牢記在心的基礎概念（和習語）。第一章只是概覽（唯一不含有代碼的一章），相當簡單，但你要確保每一點都搞明白了，再繼續進行學習本書其餘章節。端起一杯咖啡，開始學習吧！

提示：如果你已經知道了機器學習的所有基礎概念，可以直接翻到第2章。如果你不確認，可以嘗試回答本章末尾列出的問題，然後再繼續。

閱讀全文?

github.com
推薦閱讀：