一直以为机器学习的重点在于设计精巧、神秘的算法来模拟人类解决问题。学了这门课程才明白如何根据实际问题优化、调整模型更为重要。事实上，机器学习所使用的核心算法几十年来都没变过。 什么是机器学习呢？以二类分类监督学习为例，假设我们已经有了一堆训练数据，每个训练样本可以看作n维空间里的一个点，那么机器学习的目标就是利用统计算法算出一个将这个n维空间分成两个部分（也就是把空间切成两半）的分界面，使得相同类别的训练数据在同一个部分里（在分界面的同侧）。而所用的统计算法无非是数学最优化理论的那些算法，梯度

吴良超笔记 连载 ，字节跳动的广告技术团队的一名博主日志的分类整理。重点是计算广告和机器学习。 经过全文下载、摘要、目录整理、校对，提供以下学习文档： 机器学习大类，计算机基础类，数据结构算法类，数学基础类的概率论与数理统计知识，语言编程类，自学自省类。 可供自学者借鉴前人学习积累，构建自身知识tree。

机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。在过去的十年中，机器学习帮助我们自动驾驶汽车，有效的语音识别，有效的网络搜索，并极大地提高了人类基因组的认识。在本课中，将学习最有效的机器学习技术，并获得实践，让它们为自己的工作。更重要的是，不仅得到理论基础的学习，而且获得那些需要快速和强大的应用技术解决问题的实用技

ppl-intro, PL人员的概率规划 面向程序语言人员的概率程序这是对概率编程的介绍，针对来自于的广泛背景的人，所以它从绝对的基础开始。 特别是，我发现对PPL的介绍是为机器学习和统计专家编写的。 我在这里是一个编程语言的爱好者，我是一个编程语言的人，所以这些笔记从相反的角度

1. Frequentist （频率派）： The Frequentist approach views the model parameters as unknown (constant) and estimate them by matching the model to the training data. Using an appropriate metric. 频率派观点认为，模型参数是未知的（常数），⽤恰当的准则，使得模型与训练数据相匹配来估计它们 （参数）。 2. Bayesian