说到Machine Learning（ML）大家肯定不会陌生，近几年好像处在持续火热之中，很多人也开始对这方面的内容进行学习研究。
我是在上学期也就是研一的时候开始学习的，但一直是停留在理论阶段，中途也完成过相应的作业，但还未正式地将其与实际应用相结合，没有用来解决实际性的问题。所以记录这个版块的主要原因是保存下基本的理论框架知识，对自己是一种检测，同时也为后续的应用夯实基础。另外也希望能和更多的伙伴进行交流学习~
在这儿我主要以框架的方式梳理一下知识网络，具体的细节部分，在以后随着更深入的理解再提供补充~~
What：
ML：让机器自身学习，针对一类问题的不同输入均可得到相应的输出，而非针对一个具体的输入写出一个完备的算法。由此可见，相比于传统的算法设计逻辑，其更灵活。
How:
那它的整个流程框架是怎样的呢？既然机器学习的结果能够对不同的输入均产生作用，那么这个算法在形成的过程中就得给它“喂”进多量且多样化的食物，得先让它尽可能地尝遍各种美食，既要有山珍海味，也得有粗茶淡饭，这样才能让它的胃有更好的适应性，不至于在来了一种新食物时出现肠胃不适紊乱的现象~~养好胃之后，当再给它“喂”入新鲜的食物后，它便能立刻反应出这是何种食物。这也从另一个角度说明耕耘和收获是成正比的，既然我们希望这种算法能解决更多不同输入的问题，那么在一开始，我们就得多给它更多的投入啦：）
上面这段是我自己总结的形象化理解，下面还是用规范化的词语说明其具体的含义吧~
【算法】——Model，也就是我们最终希望得到的模型，当有了这个模型之后，输入一个之前没有的 数 据也能得到对应合理的输出
【食物】——dataset，为得到理想模型而必不可缺的数据集，只有有了数据之后，才能利用数据来训练模型，最终得到理想的模型。没有数据，也就没有营养来源，一切都只是空谈了~~
【山珍海味/粗茶淡饭】——这指的是数据集中不同的数据属性，也就是为了能让模型有更好地适应能力，不能只让它接触到一种类型的数据，而应该让它根据实际地应用情境（如二分类或多分类问题），让它接触到多种属性的数据。
【紊乱】——大的误差，也就是模型在处理一批新的输入数据时，其效果不佳。这分为两种情况：a、模型本身对训练的数据就有比较大的误差（高偏差），b、模型能很好地适应进行训练的数据，但针对一批新输入的数据产生较大的误差（高方差）。这两个问题是在模型设计过程中时常产生，尽量减小，不可避免的，毕竟，人间美食那么多，怎么可能让一个有限容量的胃去尝尽呢：（
【反应】——评估，也就是拿训练好的模型来处理一个新的数据，并得到对应的结果，也就是整个机器学习最终的目的。
Why：
上面所说的便是机器学习的一个流程，理解上似乎并不困难，但是如何得到所需数据？怎么利用已有数据训练得到想要的模型？怎样才能得到一个更好的模型？如何去评估一个模型的好坏？……可能一开始还会有更多的问题，不过，不要着急，学习是循序渐进的过程，在后续的笔记中我就逐步的把握学到的知识点概括总结出来，希望能对你从大体上的理解有所帮助，当然这种理解可能是比较片面的，要是你能献策那就更好啦~
Framework：so……有了上面的介绍，下面给出整体的一个思路框架以形成比较形象化地理解，如图1，毕竟看图有时比看文字更直观，印象更深~~
注：在这儿推荐一下AndrewNg的公开课Machine Learning的入门级课程，这也是我已开始接触学习的内容，感觉不错~由于文件比较大，可以直接到网上找资源：）也可以私信qq：1195104546
