$$
x [ \frac { 1 4 } { 1 2 } , \frac { 1 4 } { 7 } ] = x + \frac { 1 4 } { 1 2 } + \frac { 4 } { 1 2 } = \frac { 4 } { 9 } x + \frac { 5 } { 1 2 }
$$
● 模型是指机器学习所要产出的内容，一般是多个可被计算的决策函数或者条件概率分布函数以某种拓扑结构串联起来。把输入数据代入这个模型中计算，就会得到符合真实情况的输出结果。
● 策略是指要按照什么样的准则进行学习，具体来说是按照什么样的准则选择出最优的模型。从宏观角度讲，一般我们都会以“减少模型的输出结果与真实情况的差距”作为学习的准则，这里的“差距”同样也是以可被计算的函数的形式来描述的，被称为“损失函数”。
● 算法是指如何依靠历史数据，把正确的模型中涉及的未知参数都找出来。在确定寻找最优模型的策略后，机器学习的问题便归结为寻找模型最优参数的优化问题。
以“怎么做”来解释和理解机器学习具有更强的可操作性，在稍后讲解机器学习如何训练模型的实战章节中，会承接这个思路，深入机器学习的工作过程，继续讨论机器学习模型、策略和算法的相关内容。
6.3 机器学习的意义
自通用可编程的计算机出现以来，人与机器交互的唯一手段几乎就是程序。一段计算机程序可以看作对一连串数据从输入到输出的处理过程，程序员与机器的交流是通过设计、编码来完成某种功能。譬如一个最简单的应用程序，界面逻辑、控制逻辑、业务逻辑、数据结构等各个层次，都必须由程序员去设计、去思考，然后用程序语言编写出来，再让计算机执行。运行在计算机中的程序，无论多么庞大、复杂，只要是由人类所设计、编写的，那么它对人类来说就是一个完全的“白盒”。人虽然没有办法像计算机那样高速运行程序，但在理论上可以知道计算机程序执行过程中每一个时刻的每一个细节。在整个程序执行过程中，计算机从头到尾都只是运算工具和信息存储容器，只参与了“执行”，完全没有参与到问题解决的“思考”过程中。
第 6 章 机器学习概览
175