机器学习早期也比较初级，严格来说不是学习，即使到了知识库、专家工程阶段，依然是靠人的总结，输入的机器，有点像信息检索。
统计学的理论发展，促进了机器学习的进步，随着数据规模的增长，计算能力的不断增强，机器学习不断发展壮大，但是不得不佩服，老美在很早就已经把机器学习上升到了国家高度！
作为初学者，有一些名词需要搞懂：
分类：如果模型输出的结果是一些离散值，那么这是一个分类问题，比如西瓜好还是不好
回归：如果模型输出的结果是连续值，那么这是一个分类问题，比如西瓜好的程度是0.966
有监督学习/无监督学习：有没有对数据标注，有则是监督学习，没有则是无监督学习
样本：用于训练的数据，每个样本是一个N维的向量
模型：就是一个数学函数
泛化能力：训练好的模型，对于除样本之外的数据的输出结果越符合实际，泛化能力越强
作为初学者，还需要一些数学基础，大致罗列一些：
导数、向量、矩阵计算、定积分；
条件概率、全概率公式、贝叶斯公式、常见分布的概率密度、分布函数：
二项分布、几何分布、均匀分布、指数分布、泊松分布、正态分布
数学期望、方差、标准差、协方差、样本均值、样本方差(为啥是n-1)、极大似然估计、假设检验
Sigmond函数、最小二乘法、梯度下降
对于模型而言，我们不仅要有模型选择，还要对样本的划分，预测结果的评估：
对于给定的样本D，需要划分训练集和测试集，对于样本空间比较大的情况，直接留出法即可 8/2
预测结果的评估，主要是泛化误差，经常用的是均方误差 1/m(sum(f(xi) - yi)2)
感谢datawhale提供的学习交流平台和资源，学习视频可以参照：https://www.bilibili.com/video/BV1Mh411e7VU
