本書節選自圖書，Python本身帶有許多機器學習的第三方庫，但本書在絕大多數情況下只會用到Numpy這個基礎的科學計算庫來進行算法代碼的實現。這樣做的目的是希望讀者能夠從實現的過程中更好地理解機器學習算法的細節，以及了解Numpy的各種應用。不過作為補充，本書會在適當的時候應用scikit-learn這個成熟的第三方庫中的模型。

“機器學習”在最近雖可能不至于到人盡皆知的程度，卻也是非常火熱的詞匯。機器學習是英文單詞“Machine Learning”（簡稱ML）的直譯，從字面上便說明了這門技術是讓機器進行“學習”的技術。然而我們知道機器終究是死的，所謂的“學習”歸根結底亦只是人類“賦予”機器的一系列運算。這個“賦予”的過程可以有很多種實現，而Python正是其中相對容易上手、同時性能又相當不錯的一門語言。本文打算先談談機器學習相關的一些比較寬泛的知識，再介紹并說明為何要使用Python來作為機器學習的工具。最后，我們會提供一個簡短易懂的、具有實際意義的例子來給大家提供一個直觀的感受。

具體而言，本章主要涉及的知識點有：

機器學習的定義及重要性；

Python在機器學習領域的優異性；

如何在電腦上配置Python機器學習的環境；

機器學習一般性的步驟。

機器學習緒論
正如前言所說，由于近期的各種最新成果，使得“機器學習”成為了非常熱門的詞匯。機器學習在各種領域的優異表現（圍棋界的Master是其中最具代表性的存在），使得各行各業的人們都或多或少地對機器學習產生了興趣與敬畏。然而與此同時，對機器學習有所誤解的群體也日益壯大；他們或將機器學習想得過于神秘，或將它想得過于萬能。本節擬對機器學習進行一般性的介紹，同時會說明機器學習中一些常見的術語以方便之后章節的敘述。

什么是機器學習

清晨的一句“今天天氣真好”、朋友之間的寒暄“你剛剛是去吃飯了吧”、考試過后的感嘆“復習了那么久終有收獲”……這些日常生活中隨處可見的話語，其背后卻已蘊含了“學習”的思想—它們都是利用以往的經驗、對未知的新情況作出的有效的決策。而把這個決策的過程交給計算機來做，可以說就是“機器學習”的一個最淺白的定義。

我們或許可以先說說機器學習與以往的計算機工作樣式有什么不同。傳統的計算機如果想要得到某個結果，需要人類賦予它一串實打實的指令，然后計算機就根據這串指令一步步地執行下去。這個過程中的因果關系非常明確，只要人類的理解不出偏差，運行結果是可以準確預測的。但是在機器學習中，這一傳統樣式被打破了：計算機確實仍然需要人類賦予它一串指令，但這串指令往往不能直接得到結果；相反，它是一串賦予了機器“學習能力”的指令。在此基礎上，計算機需要進一步地接受“數據”，并根據之前人類賦予它的“學習能力”，從中“學習”出最終的結果。這個結果往往是無法僅僅通過直接編程得出的。因此這里就導出了稍微深一點的機器學習的定義：它是一種讓計算機利用數據而非指令來進行各種工作的方法。在這背后，最關鍵的就是“統計”的思想，它所推崇的“相關而非因果”的概念是機器學習的理論根基。在此基礎上，機器學習可以說是計算機使用輸入給它的數據，利用人類賦予它的算法得到某種模型的過程，其最終的目的則是使用該模型，預測未來未知數據的信息。

既然提到了統計，那么一定的數學理論就不可或缺。相關的、比較簡短的定義會在第4章給出（PAC框架），這里我們就先只敘述機器學習在統計理論下的、比較深刻的本質：它追求的是合理的假設空間（Hypothesis Space）的選取和模型的泛化（Generalization）能力。該句中出現了一些專用術語，詳細的定義會在介紹術語時提及，這里我們提供一個直觀的理解：

所謂的假設空間，就是我們的模型在數學上的“適用場合”。

所謂的泛化能力，就是我們的模型在未知數據上的表現。

注意：上述本質上嚴格來說，應該是PAC Learning的本質；在其余的理論框架下，機器學習是可以具有不同的內核的。

從上面的討論可以看出，機器學習和人類思考的過程有或多或少的類似。事實上，我們在第6、第7章講的神經網絡（Neural Network，NN）和卷積神經網絡（Convolutional Neural Network，CNN）背后確實有著相應的神經科學的理論背景。然而與此同時需要知道的是，機器學習并非是一個“會學習的機器人”和“具有學習能力的人造人”之類的，這一點從上面諸多討論也可以明晰（慚愧的是，筆者在第一次聽到“機器學習”四個字時，腦海中浮現的正是一個“聰明的機器人”的圖像，甚至還幻想過它和人類一起生活的場景）。相反的，它是被人類利用的、用于發掘數據背后信息的工具。