最近在跟台大的这个课程，觉得不错， 想把学习笔记发出来跟大家分享下，有错误希望大家指正。一机器学习是什么？感觉和 Tom M. Mitchell的定义几乎一致，A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.简而言之，就是我们想要机器在某些方面有提高（如搜索排名的质量，即NDCG 提高），就给机器一些数据（用户的点击数据等各种）然后让机器获得某些经验（ Learning to rank的一种模型，也就是数学公式）。这里有点需要强调，那就是提高指标，必须要有某种指标可以量化这种提高，这点还是很关键的，工业界做机器学习，首先关注data ，其次就是有无成型的 measurement ，可以使 Precision/Recall ，也可以是 NDCG 等。二什么时候可以用机器学习？其实就三要素：1.有规律可以学习；2.编程很难做到；3.有能够学习到规律的数据；编程很难做到可以有多种，大部分原因是系统太复杂，很难用 Rule-based的东西去解决，例如搜索排名，现在影响排名的因素有超多几百种，不可能去想出这些因素的规则，因此，这时候用机器学习就是恰到好处。特别是移动互联网的今天，用户更容易接触互联网，产生的数据越来越多，那么要找到某些不容易实现的规律，用机器学习就是很好的了，这也是为啥机器学习这么火，其实我学机器学习不仅仅是一种投资（肯定它未来的发展前途），我想做的事情还有一点，就是通过它更深刻的理解人脑的学习过程，提高自己的学习效率和思维能力。三具体如何用机器学习？输入是两个： 1 data ；2 假设集合。 Data 如何使用？通过提取出feature vector 来使用，也就是那个training examples ，假设集合是用来选取最终f 的。也就是说，输出就是f（或近似 f）。四第一个机器学习算法：PLA （Perceptron Learning Algorithm）课程讲述这个算法的总体思路如下（典型的提出问题，分析问题以及解决问题） :1. 通过信用卡问题引入PLA ；2. 对问题用数学抽象，并得到目标函数；3. 详细解释 PLA 迭代（学习）过程；4. 证明 PLA 学习的过程可以收敛并会得到最优解；5. 分析 PLA 优缺点，并提出克服缺点的一些方法；这个算法本质上是线性分类器，针对给定的feature vector给出 Yes 或者 No 的回答下面是用这...
