本教程介绍了机器学习(ML)的一些主要概念。从工程的角度来看，ML领域围绕着实现科学原理的软件开发: (i) 对一些现象设定一个假设(选择一个模型)，(ii) 收集数据来验证假设(验证模型)，(iii) 完善假设(迭代)。基于这一原理的一类重要算法是梯度下降法，它旨在迭代地细化由某个(权重)向量参数化的模型。通过结合假设空间(模型)、质量度量(损失)和模型优化(优化方法)的计算实现的不同选择，可以得到大量的ML方法。目前许多被认为是(人工)智能的系统都是基于几种基本机器学习方法的组合。在形式化ML问题的主要构建模块之后，讨论了ML方法的一些流行算法设计模式。本教程是在“机器学习:基本原理”和“人工智能”两门课程的课堂笔记基础上发起来的，这两门课程我从2015年开始在阿尔托大学(Aalto University)与人合作授课。

https://www.zhuanzhi.ai/paper/e45f282b068a1584cb0eaf0f0b338c20