【漫谈机器学习】-前言

漫谈机器学习-前言

2016年的校招已经过去了，我也找到了比较满意的工作，一想起自己即将走进机器学习研究和应用做的相当出色的公司，感觉自己的压力倍增，很多知识还不熟悉。记得之前看博客上说，写博客是最好的学习方式。自己在学习过程中看了很多不错的博客，如结构之法，算法之道等知名博客，这些博客引导我走进互联网，走进机器学习。因此，今天我也开始记录自己的学习，漫谈机器学习。

一切还是要从 $y=kx+b$ 这个一元一次方程还是说起。高中的时候就学会求解$k，b$,但是那时候还不知道最小二乘法的由来，怎么推导出来的。后来学习了最优化之后才知道其中的原由。

确切的说，大学期间参加最有用的比赛就是数学建模了，现在回想起自己数学兴趣被某些老师抹杀掉了，现在看着数学，概率等在各个领域的应用才知道，有一个名师是多么的重要。当然，自己也要努力。哎，扯远了。

$y=kx+b$ 这个式子算是最简单的机器学习问题了，麻雀虽小，五脏俱全。从5个角度来理解这个式子：

• $y：$ 一般理解为模型的输出，在真实情况下，我感觉输出是至关重要的，输出可以是很多东西，如各种分类问题，各种预测问题，找到一个靠谱的输出（或者说找到描述问题所求内容）不是一件容易的事，往往与具体的业务结合了，做图像的可能是识别图像，做诊断的可能是病情死亡，做广告的可能就是点击率了。

• $x：$一般理解为模型的输入，也就是影响输出的因素了，常理也可以理解，$x$找的越好，对$y$的估计预测可能就越好，这个找$x$的过程就是特征工程了，其实也是目前互联网算法工程师的主要工作，占据了至少80%的工作量。

• $k：$一般理解为模型的参数，求解$k$的方法往往被称之为算法，各种高大上的算法。

• $b：$ 一般理解为模型的参数，求解$b$的方法往往被称之为算法，各种高大上的算法。当然有时候可以理解为基线或者误差，后续介绍。

• $kx：$ 这个是模型的核心了，这个是线性模型了，$y=\phi(kx)+b$ 就是其他形式的模型了，可能是非线性的模型了。

好了，机器学习的5个部分已经完成了。机器学习可以简化理解为统计学习，下一部分将会从最简单的线性回归说起了。bye