学完算法，还想更深入一步，那么接触一下机器学习，是很有必要的，你需要知道当下为什么ML这么火，包括自动驾驶，人脸识别等都与之相关。有些甚至基本算法理论无法解释。
参考周志华《机器学习》
任务：
分类（classification）: 预测离散值。
回归（regression）:预测连续值。
| 一般地，我们对训练集${(x_1,y_1),···,(x_m,y_m)}$进行学习，建立一个从输入空间$\chi$到输出空间$\Upsilon$的映射，对于二分类任务，通常$\Upsilon={-1,+1}或{0,1}$；对于多分类任务，$ | \Upsilon | >2$,对于回归任务，$\Upsilon=\R,\R$为实数集。 |
学习完之后需要进行预测（testing）。
我们还可以进行聚类（clustering）操作，将训练集中数据分成若干组，每组称为一个簇（cluster），这些自动形成的簇可能对应一些潜在的概念划分。
根据训练数据是否有标记，学习任务可以大致分为两类：“监督学习”（supervised learning）和 “无监督学习”（unsupervised learning），分类和回归属于前者，而聚类属于后者。
泛化（generalization），指模型适应新样本的能力。我们可以把学习过程看作是在所有假设（hypothesis）组成的空间中进行搜索的过程，搜索目标是找到与训练集“匹配”的假设。
书中介绍了NFL定理，即“天下没有免费午餐的定理”。不同的学习算法期望相同。
最后让我们一睹顶会的风采。
$ICML$：国际机器学习会议；
$NIPS$：国际神经信息处理系统会议；
$COLT$：国际学习理论会议；
$ECML$：欧洲机器学习会议；
$ACML$：亚洲机器学习会议；
然后是顶级期刊：
$JMLR$: Journal of Machine Learning Research;
$ML$: Machine Learning;
$IJCAI$:International Joint Conference on Artificial Intelligence
$AAAI$：（就是这么AI） Association for the Advance of Artificial Intelligence
$AI$，$JAIR$,$KDD$,$ICDM$,$CVPR$,以及IEEE一些期刊。
如果能投给一篇，cs人生也算圆满了
第二章：模型评估与选择。
