要求兩週之內看完林軒田機器學習基石和技法，速度是要的，但是感覺看得太快我會不久就會忘記。因此記錄一下梗概，順便寫寫看視頻時解決的不懂的地方（有種思想就是把知識傳播給更多人，有時候就是靠大佬們善意的一句提點才懂的，也感謝視頻底下和彈幕有很多大佬在解釋）
視頻有b站搬運還有YouTube上的，YouTube要翻牆，最好還是b站吧。然後視頻是國語的，也是爲了讓更多人方便學到。
b站：
林軒田機器學習基石
林軒田機器學習技法
YouTube：
林軒田機器學習基石
林軒田機器學習技法
然後就是大牛們的博客參考：
紅色石頭（感覺是看過的最全的了）
杜少csdn
某大牛自己搭的筆記網站
筆記章節分吧。最後，這個是一定會更完的，因爲這兩部65集大型連續劇，兩週內死也會看完的 = =、
1. The learning problem
P1 1.1
簡單介紹一下機器學習（其實就是冇做筆記哈哈哈）
P2 1.2
機器學習：
模擬人腦的學習過程
從資料出發->ML->改進性能測量 improved performance measure
例子：
人如何辨認樹：不是講規則，而是人多次觀察，去辨認出樹
ML也一樣，在某些應用會讓機器自己去分析資料，自己去學習
有的系統做不到把規則寫下來（比如上火星）
要靠機器人和環境的互動來得到更好的表現
授機器以魚不如授機器以漁
3個關鍵點判斷適不適合機器學習
- 有某些performance measure（衡量工作的指標）要機器去學習，有某種規則、潛在的模式去預測
- 目標不知道怎麼把規則寫下來
- 有數據去輸入
P3 1.3
講了些ML可以應用的方面
可能的機器學習模型：
各個特徵加權輸入
P4 1.4
機器學習例子：銀行根據用戶資料，決定是否髮卡
f 是事物的客觀規律，f（x）-> y，但是根據機器學習的三個前提，f無法或者很難列出來
這時候機器學習會學到一個規律g，來儘量擬合這個f
有：g ∈ H = {hk}，hk表示各種擬合f的規律（各種特徵、條件），把所有擬合的規律構成集合H
H就是所有方法的集合，當然這些方法、規律有好有壞
我們要求機器從模型集合H中選最好的g來讓g儘量擬合客觀模型f
P5 1.5
講述機器學習和數據挖掘、人工智能、統計學的異同
總結什麼是機器學習：利用數據，想要找的一個函數g，這個函數
和目標函數f是很接近的
component 組成：A takes D and H to get g