从刚注册简书时强迫自己写文章时的拖延，到现在有了想法不自觉的想记录下来，是好的转变。
最近开始对数据挖掘很感兴趣，在网易公开课上开始学加州理工的《机器学习和数据挖掘》，还可以顺便练练英语听力。
第一课《学习问题》只要从问题引入，介绍什么是机器学习，以及常见的学习分类。
在人类的认知中一些显而易见的结论，对机器而言是一个却是无限靠近的过程，比如婴儿可以快速识别一张脸的情绪等。
课中介绍了银行信贷审批的例子。阐述了人类的认知是，input x（客户提供的各方面信息），output y（审批结论），在人类的大脑中有一个模型f（x）=y。而机器学习则是从历史的（x，y）中尝试去推导一系列假设集，不断验证优化，以期得到一个尽可能靠近f（x），用于在未来的场景中，机器可以脱离人类，在得到x输入时，得到y.
所以机器学习的三个要素是：
1、have data（基础，没数据没法玩）
2、要解决的问题域存在模型
3、模型目前是未知的（因为未知才需要机器不停学习，无限靠近，如果已知，那只是计算而已）
接下来还是用银行信贷审批的例子，机器学习按照学习形式分为以下四类：
1、有监督学习：即提供历史（ x1,y1)...(Xn,Yn)的基础上，让机器进行学习，以求在未来输入某个时能输出正确的y。
2、无监督学习：仅提供特征X，不提供y，让计算机学习找出特征的内在结构，比如分类等。
3、半监督学习（课堂中未提及此点，查阅其他中文资料后补充）：顾名思义介于有监督和无监督之间，一部分特征有标记，一部分特征无标记，且往往无标记特征极大于有标记特征，常常用于数据并不完全随机分布存在极限值，通过没标记的整体数据+有标记的局部特征得到更好的分布结果。
4、加强学习：给出特征集，和正确/错误标记，类似正确奖励错误惩罚，不断强化训练。比如下棋等需要连续决策的领域。
其他：
不知道是听力退步还是印度英语的原因，断断续续停下来还比较依赖字幕。需要继续加油。
