什么是机器学习：

机器学习定义：

对于某给定任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E；随着提供优质、合适的大量经验E，该程序对于任务T的性能逐步提高

即：随着任务的不断执行，经验的积累会带来计算机性能的提升

换个表述： 机器学习是人工智能的一个分支。我们使用计算机设计一个系统，使它能够根据提供的训练数据，按照一定的方式来学习；随着训练次数的增加，该系统可以在性能上不断学习和改进；通过参数优化的学习模型，能够用于预测相关问题的输出

举个例子：
1.从无知到掌握知识：
语言/颜色/形状特征统计
2.有监督学习：有标签
3.无监督学习：聚类
4.增强学习：小孩学走路。带反馈的

机器学习的内涵和外延：

**机器学习可以解决什么：

给定数据的预测问题：
数据清洗/特征选择
确定算法预测模型/参数优化
结果预测

不能解决什么：
大数据/并行计算
做一个机器人

机器学习的一般流程：

数据收集->数据清洗->特征工程->数据建模

机器学习方法：

不同数据有不同的分类结果
各种算法
怎样进行模型的选择（起码得了解每个模型）

常用数学知识

高数

导数：

导数：曲线斜率，曲线变化快慢》
二阶导是斜率变化快慢，表示区间的凹凸性。

常用公式：

泰勒公式应用1：
数值计算：初等函数值的计算（在原点展开）

在实践中，往往需要做一定程度的变换。
泰勒公式应用2：

方向导数：
沿着梯度方向，

梯度


凸函数：
割线位于函数值上方，就是凸函数

把凸函数的割线不断逼近就会变成切线。

一阶可微

二阶可微

凸函数举例

概率论

古典概型：
组合数公式

组合数的最终结论：