Update 1.机器学习概览.md

第一章节机器学习概览校对完成

docs/1.机器学习概览.md

@@ -4,15 +4,15 @@
 
 机器学习的起点和终点分别是什么呢？确切的讲，机器进行学习是什么意思？如果我下载了一份维基百科的拷贝，我的电脑就真的学会了什么吗？它马上就变聪明了吗？在本章中，我们首先会澄清机器学习到底是什么，以及为什么你要使用它。
 
-然后，在我们出发去探索机器学习新大陆之前，我们要观察下地图，以便知道这片大陆上的主要地区和最明显的地标：监督学习vs非监督学习，线上学习vs批量学习，基于实例vs基于模型学习。然后，我们会学习一个典型的机器学习项目的工作流，讨论可能碰到的难点，以及如何评估和微调一个机器学习系统。
+然后，在我们出发去探索机器学习新大陆之前，我们要观察下地图，以便知道这片大陆上的主要地区和最明显的地标：监督学习vs非监督学习，线上学习vs批量学习，基于实例vs基于模型学习。然后，我们会学习一个典型的机器学习项目的工作流程，讨论可能碰到的难点，以及如何评估和微调一个机器学习系统。
 
 这一章介绍了大量每个数据科学家需要牢记在心的基础概念（和习语）。第一章只是概览（唯一不含有代码的一章），相当简单，但你要确保每一点都搞明白了，再继续进行学习本书其余章节。端起一杯咖啡，开始学习吧！
 
-> 提示：如果你已经知道了机器学习的所有基础概念，可以直接翻到第2章。如果你不确信，可以尝试回答本章末尾列出的问题，然后再继续。
+> 提示：如果你已经知道了机器学习的所有基础概念，可以直接翻到第2章。如果你不确认，可以尝试回答本章末尾列出的问题，然后再继续。
 
 # 什么是机器学习？
 
-机器学习是通过编程让计算机从数据进行学习的科学（和艺术）。
+机器学习是通过编程让计算机从数据中进行学习的科学（和艺术）。
 
 下面是一个更广义的概念：
 
@@ -49,7 +49,7 @@
 
 图1-2 机器学习方法
 
-进而，如果发送垃圾邮件的人发现所有包含“4U”的邮件都被屏蔽了，可能会转而使用“For U”。使用传统方法的垃圾邮件过滤器需要更新以标记“For U”。如果发送垃圾邮件的人持续更改，你就需要迟勋写入新规则。
+进而，如果发送垃圾邮件的人发现所有包含“4U”的邮件都被屏蔽了，可能会转而使用“For U”。使用传统方法的垃圾邮件过滤器需要更新以标记“For U”。如果发送垃圾邮件的人持续更改，你就需要被动地不停地写入新规则。
 
 相反的，基于机器学习的垃圾邮件过滤器会自动注意到“For U”在用户手动标记垃圾邮件中的反常频繁性，然后就能自动标记垃圾邮件而无需干预了（图1-3）。
 
@@ -69,7 +69,7 @@
 
 总结一下，机器学习善于：
 
-*   需要进行大量手工调整或长串规则的问题：机器学习算法通常可以简化代码、提高性能。
+*   需要进行大量手工调整或需要拥有长串规则才能解决的问题：机器学习算法通常可以简化代码、提高性能。
     
 *   问题复杂，传统方法难以解决：最好的机器学习方法可以找到解决方案。
     
@@ -96,7 +96,7 @@
 
 ### 监督学习
 
-在监督学习中，用来训练算法训练数据包括了答案，称为标签（图1-5）。
+在监督学习中，用来训练算法的训练数据包含了答案，称为标签（图1-5）。
 
 ![](https://upload-images.jianshu.io/upload_images/7178691-5a9421970178445c.png)
 
@@ -121,7 +121,7 @@
 *   逻辑回归
 *   支持向量机（SVM）
 *   决策树和随机森林  
-    -神经网络
+*   神经网络
 
 ## 非监督学习
 
@@ -156,13 +156,13 @@
 
 ![](https://upload-images.jianshu.io/upload_images/7178691-867197e4d09127d8.png)
 
-图1-9 t-SNE可视化案例，突出了聚类（注：注意动物是与汽车分开的，马与鹿很近、与鸟院，以此类推）
+图1-9 t-SNE可视化案例，突出了聚类（注：注意动物是与汽车分开的，马和鹿很近、与鸟距离远，以此类推）
 
 与此有关联的任务是降维，降维的目的是简化数据、但是不能失去大部分信息。做法之一是合并若干相关的特征。例如，汽车的里程数与车龄高度相关，降维算法就会将它们合并成一个，表示汽车的磨损。这叫做特征提取。
 
 > 提示：在用训练集训练机器学习算法（比如监督学习算法）时，最好对训练集进行降维。这样可以运行的更快，占用的硬盘和内存空间更少，有些情况下性能也更好。
 
-另一个重要的非监督任务是异常检测（anomaly detection） —— 例如，检测异常的信用卡转账以防欺诈，检测制造缺陷，或者在训练之前自动从训练数据集去除异常值。异常检测的系统使用正常值训练的，当它碰到一个新实例，它可以判断这个新实例是否像正常值或异常值（图1-10）。
+另一个重要的非监督任务是异常检测（anomaly detection） —— 例如，检测异常的信用卡转账以防欺诈，检测制造缺陷，或者在训练之前自动从训练数据集去除异常值。异常检测的系统使用正常值训练的，当它碰到一个新实例，它可以判断这个新实例是像正常值还是异常值（图1-10）。
 
 ![](https://upload-images.jianshu.io/upload_images/7178691-c8cdd58fabadb8bf.png)
 
@@ -180,7 +180,7 @@
 
 图1-11 半监督学习
 
-多数半监督学习算法时非监督和监督算法的结合。例如，深度信念网络（deep belief networks）是基于被称为互相叠加的受限玻尔兹曼机（restricted Boltzmann machines，RBMs）的非监督组件。RBMs是先用非监督方法进行训练，再用监督学习方法进行整个系统微调。
+多数半监督学习算法是非监督和监督算法的结合。例如，深度信念网络（deep belief networks）是基于被称为互相叠加的受限玻尔兹曼机（restricted Boltzmann machines，RBMs）的非监督组件。RBMs是先用非监督方法进行训练，再用监督学习方法进行整个系统微调。
 
 ## 强化学习
 
@@ -198,7 +198,7 @@
 
 ## 批量学习
 
-在批量学习中，系统不能进行持续学习：必须用所有可用数据进行训练。这通常会占用大量时间和计算资源，所以一般是线下做的。首先是进行训练，然后部署在生产环境且不带学习，它只是应用学到的。这称为离线学习。
+在批量学习中，系统不能进行持续学习：必须用所有可用数据进行训练。这通常会占用大量时间和计算资源，所以一般是线下做的。首先是进行训练，然后部署在生产环境且停止学习，它只是使用已经学到的策略。这称为离线学习。
 
 如果你想让一个批量学习系统明白新数据（例如垃圾邮件的新类型），就需要从头训练一个系统的新版本，使用全部数据集（不仅有新数据也有老数据），然后停掉老系统，换上新系统。
 
@@ -236,7 +236,7 @@
 
 # 基于实例vs基于模型学习
 
-另一种分类机器学习的方法是判断它们是如何进行归纳推广的。大多机器学习任务是关于预测的。这意味着给定一定数量的训练样本，系统需要能推广到之前没见到过的样本。对训练数据集有很好的性能还不够，真正的目标是对新实例的性能。
+另一种分类机器学习的方法是判断它们是如何进行归纳推广的。大多机器学习任务是关于预测的。这意味着给定一定数量的训练样本，系统需要能推广到之前没见到过的样本。对训练数据集有很好的性能还不够，真正的目标是对新实例预测的性能。
 
 有两种主要的归纳方法：基于实例学习和基于模型学习。
 
@@ -300,7 +300,7 @@
 
 案例1-1，使用Scikit-Learn训练并运行线性模型。
 
-```
+```python
 import matplotlib
 import matplotlib.pyplot as plt
 import numpy as np
@@ -360,7 +360,7 @@ print(lin_reg_model.predict(X_new)) # outputs [[ 5.96242338]]
 
 这就是一个典型的机器学习项目。在第2章中，你会第一手地接触一个完整的项目。
 
-我们已经学习了许多关于基础的内容：你现在知道了机器学习是关于什么的，为什么它这么有用，最常见的机器学习的分类，典型的项目工作流。现在，让我们看一看会发生什么错误，导致不能做出准确的预测。
+我们已经学习了许多关于基础的内容：你现在知道了机器学习是关于什么的，为什么它这么有用，最常见的机器学习的分类，典型的项目工作流程。现在，让我们看一看学习中会发生什么错误，导致不能做出准确的预测。
 
 # 机器学习的主要挑战
 
@@ -407,7 +407,7 @@ print(lin_reg_model.predict(X_new)) # outputs [[ 5.96242338]]
 > *   首先，为了获取发信地址，《文学文摘》使用了电话黄页、杂志订阅用户、俱乐部会员等相似的列表。所有这些列表都偏向于富裕人群，他们都倾向于投票给共和党（即兰登）。
 > *   第二，只有25%的回答了调研。这就又一次引入了样本偏差，它排除了不关心政治的人、不喜欢《文学文摘》的人，和其它关键人群。这种特殊的样本偏差称作无应答偏差。
 > 
-> 下面是另一个例子：假如你想创建一个能识别疯克音乐视频的系统。建立训练集的方法之一是在YouTube上搜索“疯克音乐”，使用搜索到的视频。但是这样就假定了YouTube的搜索引擎返回的视频集，是对YouTube上的所有疯克音乐有代表性的。事实上，搜索结果会偏向于人们歌手（如果你居住在巴西，你会得到许多“疯克卡瑞欧卡”视频，它们和James Brown的截然不同）。另一方面，怎么还能得到一个大的训练集呢？
+> 下面是另一个例子：假如你想创建一个能识别放克音乐（Funk Music, 别名骚乐）视频的系统。建立训练集的方法之一是在YouTube上搜索“放克音乐”，使用搜索到的视频。但是这样就假定了YouTube的搜索引擎返回的视频集，是对YouTube上的所有放克音乐有代表性的。事实上，搜索结果会偏向于人们歌手（如果你居住在巴西，你会得到许多“funk carioca”视频，它们和James Brown的截然不同）。从另一方面来讲，你怎么得到一个大的训练集呢？
 
 ## 低质量数据
 
@@ -452,7 +452,7 @@ print(lin_reg_model.predict(X_new)) # outputs [[ 5.96242338]]
 
 图1-23 正规化降低了过度拟合的风险
 
-正规化的度可以用一个超参数（hyperparameter）控制。超参数是一个学习算法的参数（而不是模型的）。这样，它是不会被学习算法本身影响的，它的优于训练数据，在训练中是保持不变的。如果你设定的超参数非常大，就会得到一个几乎是平的模型（斜率接近于0）；学习算法几乎肯定不会过拟合训练数据，但是也很难得到一个好的解。调节超参数是创建机器学习算法非常重要的一部分（下一章你会看到一个详细的例子）。
+正规化的度可以用一个超参数（hyperparameter）控制。超参数是一个学习算法的参数（而不是模型的）。这样，它是不会被学习算法本身影响的，它优于训练，在训练中是保持不变的。如果你设定的超参数非常大，就会得到一个几乎是平的模型（斜率接近于0）；这种学习算法几乎肯定不会过拟合训练数据，但是也很难得到一个好的解。调节超参数是创建机器学习算法非常重要的一部分（下一章你会看到一个详细的例子）。
 
 ## 欠拟合训练数据
 
@@ -470,16 +470,16 @@ print(lin_reg_model.predict(X_new)) # outputs [[ 5.96242338]]
 
 *   机器学习是让机器通过学习数据对某些任务做得更好，而不使用确定的代码规则。
 *   有许多不同类型的机器学习系统：监督或非监督，批量或线上，基于实例或基于模型，等等。
-*   在机器学习项目中，训练集来收集数据，然后对学习算法进行训练。如果算法是基于模型的，就调节一些参数，让模型拟合到训练集（即，对训练集本身作出好的预测），然后希望它对新样本也能有好预测。如果算法是基于实例的，就是用记忆学习样本，然后用相似度推广到新实例。
+*   在机器学习项目中，我们从训练集中收集数据，然后对学习算法进行训练。如果算法是基于模型的，就调节一些参数，让模型拟合到训练集（即，对训练集本身作出好的预测），然后希望它对新样本也能有好预测。如果算法是基于实例的，就是用记忆学习样本，然后用相似度推广到新实例。
 *   如果训练集太小、数据没有代表性、含有噪声、或掺有不相关的特征（垃圾进，垃圾出），系统的性能不会好。最后，模型不能太简单（会发生欠拟合）或太复杂（会发生过拟合）。
 
-还差最后一个主题要学习：训练完了一个模型，你不只希望将它推广到新样本。你想评估它，作出必要的微调。一起来看一看。
+还差最后一个主题要学习：训练完了一个模型，你不只希望将它推广到新样本。如果你想评估它，那么还需要作出必要的微调。一起来看一看。
 
 # 测试和确认
 
 要知道一个模型推广到新样本的效果，唯一的办法就是真正的进行试验。一种方法是将模型部署到生产环境，观察它的性能。这么做可以，但是如果模型的性能很差，就会引起用户抱怨 —— 这不是最好的方法。
 
-更好的选项是将你的数据分成两个集合：训练集合测试集。正如它们的名字，用训练集进行训练，用测试集进行测试。对新样本的错误率称作推广错误（或样本外错误），通过模型对测试集的评估，你可以预估这个错误。这个值可以告诉你，你的模型对新样本的性能。
+更好的选项是将你的数据分成两个集合：训练集和测试集。正如它们的名字，用训练集进行训练，用测试集进行测试。对新样本的错误率称作推广错误（或样本外错误），通过模型对测试集的评估，你可以预估这个错误。这个值可以告诉你，你的模型对新样本的性能。
 
 如果训练错误率低（即，你的模型在训练集上错误不多），但是推广错误率高，意味着模型对训练数据过拟合。
 
@@ -525,4 +525,4 @@ print(lin_reg_model.predict(X_new)) # outputs [[ 5.96242338]]
 18.  如果用测试集调节超参数，会发生什么？
 19.  什么是交叉验证，为什么它比验证集好？
 
-练习答案见附录A。
\ No newline at end of file
+练习答案见附录A。