這篇文章是馬同學機器學習《監(jiān)督式學習》課程的一篇試讀，感興趣的同學可以訪問：馬同學高等數(shù)學?進一步了解課程。
機器學習算是人工智能的一個分支洪橘，所以讓我們從人工智能說起。
1 人工智能精確定義人工智能很難棵帽，大概就是機器獲得了類似人類的智慧熄求，甚至成為了超人：
很長的一段時間人工智能只是一個幻想，直到20世紀40年代電腦的出現(xiàn)岖寞，才有一批科學家開始嚴肅地探討實現(xiàn)的可能性抡四。經(jīng)過快一個世紀的努力，逐漸取得了一些成果，比如自動駕駛：
比如兩足機器人：
當然指巡，這些離人工智能的完全體還差之甚遠淑履，需要我們繼續(xù)加油接力。2 人工智能的分支剛才提到的自動駕駛要不斷觀察周圍的環(huán)境藻雪，以及判斷觀察到的是障礙還是道路秘噪，這需要“機器視覺”和“機器學習”；兩足機器人必須不斷調(diào)整身體的平衡勉耀，這就是“自動化控制”指煎。這些都是人工智能的分支，除此之外還有很多（下面列舉的只是冰山一角）：
我們的課程會關注其中一個分支便斥，“機器學習”至壤。3 機器學習下面再詳細解釋下自動駕駛，方便我們進一步理解“機器學習”到底是什么枢纠？3.1 自動駕駛自動駕駛中需要通過“機器視覺”不斷看到周圍的物體：
然后通過“機器學習”來辨識出這些物體是什么像街。比如識別出人（person）、車（car）晋渺、交通燈(traffic light)等等：
3.2 機器學習學會辨識圖片的過程是這樣的镰绎，比如輸入大量的車輛的圖片給機器“學習”（具體怎么學，就是本課程所要探討的）木西，最后它就會知道這些圖片代表的是車（car）：
這個過程和人類的學習過程類似畴栖，所以稱為機器學習。4 訓練和預測“機器學習”最重要的是“預測”八千，比如剛才通過大量的圖片學會什么是車后吗讶，再來一張沒有見過的車輛的圖片，我們希望機器可以做出正確的判斷：
因此“機器學習”包含兩個部分恋捆，這也是我們課程最關心的兩個部分：
訓練：比如提供大量的汽車圖片給機器“學習”关翎，教會機器什么是車，這就是訓練
預測：訓練結束后鸠信，我們需要機器可以對沒有見過的圖片進行判斷，并且要保證一定的正確率论寨，這就是預測
5 機器學習的適用條件如果要解決的問題符合以下三條星立，可以考慮運用機器學習：
要解決的問題中存在某種模式
這種模式不容易直接定義
有足夠的數(shù)據(jù)可以幫助我們找出該模式
下面還是借助自動駕駛的例子來解釋下這三條。5.1 存在某種模式各種車之間是存在共同之處的葬凳，也就是存在某種模式的绰垂，這樣才具備學習的可能性。所以在“自動駕駛”的例子中赚窃，才可以通過學習已知的圖片來判斷未知的圖片：
5.2 模式不容易直接定義車輛之間存在的模式不容易直接定義泽本，也就是很難清楚地定義到底什么是車阻问。假如定義車有四個輪胎吟逝，但實際要復雜得多占业，比如下圖中右側有一輛紅車被遮擋了一半绒怨，只能看到兩個輪胎：
5.3 足夠的數(shù)據(jù)很顯然，有足夠多的汽車照片可以幫助機器找出該模式的：
5.4 行星的運行軌道舉個例子吧（課程中有更多的例子）谦疾，比如行星的運行軌道適合用機器學習來預測嗎南蹂？
我覺得應該是不適合的。因為：
行星的運行軌道肯定是存在某種模式的念恍，即符合物理定律
這些物理定律是非常確定的六剥，用定律來預測行星軌道是非常準確的
如果用過往的行星軌道數(shù)據(jù)進行機器學習，從而預測行星軌道峰伙，很有可能效果反而不好
6 小結總結下疗疟，機器學習是人工智能的一個分支。它包含兩個重要步驟瞳氓，先通過已有數(shù)據(jù)來訓練策彤，然后對未知數(shù)據(jù)進行預測，這和人類學習的過程類似：
當要解決的問題符合以下三條顿膨，可以考慮運用機器學習：
要解決的問題中存在某種模式
這種模式不容易直接定義
有足夠的數(shù)據(jù)可以幫助我們找出該模式
看圖學數(shù)學锅锨！馬同學高等數(shù)學提供微積分、線性代數(shù)恋沃、概率論與數(shù)理統(tǒng)計必搞、機器學習等知識講解。深入淺出囊咏，形象生動恕洲。
