今天学习了数据酷客的《机器学习十讲》中的第一讲，老师提出了很多概念，我做了截图，也写了一些自己的理解：
首先是引言：学习机器学习的理由，它的应用。
之后是关于大数据，人工智能等一些现在热词的定义的阐释：
这里面提到一个函数Y=F（X），F是由多层的神经网络来表示。人工智能，从Y的角度看：能解决什么问题。
在有监督学习中，学习x与y之间的对应关系，y=f（x）
但是不管是无监督学习还是有监督学习都需要有数据，而强化学习可以一开始没有数据，从0开始，通过学习慢慢收集数据。
之后讲述了机器学习的基本概念：
优化目标很明显，是让损失函数最小化，从而是函数更贴切，更契合。
以有监督学习为例，提出了机器学习的一般流程的图示：
但是机器在学习过程中会有一些问题，比如过度拟合问题，过度拟合的优点是对已知数据预测得很准确，但是对未知数据的预测效果很差，因此提出了正则化的概念：
但是当数据很小或者数据采集成本很高，获取代价较大时，可以选用交叉验证：
机器学习具有数学结构，我们处理数据也是基于数学结构：
之后便提到了关于数学方面的知识，终于来到了计算环节:
以文章为例，通过计算余弦相似度来计算两个文章的“距离”。除了余弦相似度，还提到了三种计算方式，我分别做了如下理解：
曼哈顿距离：两点连线为斜边，另外两个直角边相加为距离。
欧氏距离，斜边长度为距离
极大距离：两个直角边中较长的为距离
之后提出了K近邻的概念，对样本进行分类时，找到训练集中与该样本最相似的K个样本，根据K样本的标签确定测试样本的标签。 最简单的模型：
随后介绍了谷歌退出的一个名为PageRank的算法，他是一个网页之间排优先的算法，如图：
用矩阵表示，例如1指向2 4，将π分为两等份，分别分给2和4，第三个矩阵的每一行相加都为1。
其他数学结构例如：
最后，讲了之后操作需要用的软件和下载地址以及两个代码案例。但是下面的两个实例的链接已经无法打开，只能看到视频中的部分伪代码，所以没有数据，没有进行实践操作。