• 《概率论》《数据统计》是机器学习的基石

• 传统的统计学，受运算能力的限制，所以是用抽样的方式， 抽取一定量的样本然后进行概率统计，然后得到结论之后进行假设检验
  

• 统计学受限于计算能力，依赖于采样的方法，再反作用于原来的数据。步骤：抽样-->描述统计-->结论-->假设检验。

• 现在无需考虑数据量的问题，无需抽样技术，直接全样。可利用可视化技术来观察数据。要进行数据分析，需要先进行量化，用模型拟合规律，函数-->函数曲线-->拟合。高维度时很难用可视化的方法，只能用数学运算。

一、从数据中寻找规律

1. 基石：概率论、数理统计

2. 统计学（计算力不足 ）：

1. 抽样 —— 描述 统计—— 假设验证

3. 机器学习（计算力充足）：

1. 用模型拟合规律

   
   

   
   

抽样，描述统计，结论，假设检验

从数据中寻找规律，人们干了几十年、上百年了。基础的学科：概率论和数理统计。

统计学问题：因为计算能力有限，往往采样只采少量数据

从数据中寻找规律

从数据中找规律，其实很难的。但是又必须做。

概率论和数据统计

《概率论》《数据统计》是机器学习的基石

传统的统计学，抽取一定量的样本然后 进行概率统计，然后得到结论 之后进行假设检验

传统的统计学受运算能力的限制，所以是用抽样的方式；

而现在计算能力足够强，就不需要采用抽样的方式了。

做数据分析要对数据进行量化，才方便计算、比较。

传统统计：抽样-描述统计-结论-假设检验-推断

机器学习不受计算量的限制，直接跳过抽样

统计学受限于计算能力，依赖于采样的方法，再反作用于原来的数据。步骤：抽样-->描述统计-->结论-->假设检验。

现在无需考虑数据量的问题，无需抽样技术，直接全样。可利用可视化技术来观察数据。要进行数据分析，需要先进行量化，用模型拟合规律，函数-->函数曲线-->拟合。高维度时很难用可视化的方法，只能用数学运算。

从数据中寻找规律：

  传统统计学的处理方式：抽样--描述统计--结论---假设检验

观察数据----用模型刻画（拟合）规律（函数---函数曲线---拟合）

机器学习：利用计算机从历史数据中找到规律，并把这些规律用到对未来不确定场景的决策。

Python机器学习影印版，东南大学出版社

斯坦福公开课机器学习，在网易公开课上可以找到

《数据挖掘概念与技术》、《机器学习实战》、《人工智能及其应用》、《数据库系统概论》、《算法导论》、《Web数据挖掘》、《 Python标准库》、《thinking in Java》、《Thinking in C++》、《数据结构》等

利用模型去拟合规律

传统的统计学

概率论是基石, 统计学去找规律					
    传统的统计学，抽取一定量的样本然后 进行概率统计，然后得到结论 之后进行假设检验	
    传统的统计学受运算能力的限制，所以是用抽样的方式；					
    传统统计：抽样-描述统计-结论-假设检验-推断				
求均值					
    统计学: 抽样, 求均值, 每次结果可能不一样
    机器学习: 计算机运算能力已经提高, 可以进行直接运算, 不必抽样				做数据分析要对数据进行量化，才方便计算、比较。

用模型刻画（拟合）规律

函数——函数曲线——拟合

实际解决问题时，几百维，很难用可视化的方法去描述问题

统计学 ——数据处理——采样、抽样；检验。

函数可以是多种形态

机器学习   &  数据分析

从数据中寻找规律

概率论         数据统计：抽样-描述统计-结论-假设检验

用模型刻画（拟合）规律

传统数据分析，受限于计算能力的限制，所以采用抽样而非全量的计算模式，随着计算机的计算能力的发展，产生了大数据

基石为概率论和统计学