一、前言中的前言
那么我们今天开始更机器学习、深度学习和强化学习，请注意强化学习需要ML与DL的一部分基础，不要直接跳到RL去学习，效率很低，参考资料很多，
我先列一些我会用到的机器学习、深度学习的参考资料吧：
- 1.西瓜书——周志华《机器学习》
- 2.动手学深度学习——李沐
- 3.B站李沐视频或者斯坦福CS329P
- 4.youtube——李宏毅全套的公开课
- 5.李航——统计学习方法
- 6.吴恩达——机器学习基础
- 7.B站up shuhuai的白板推导系列
- 8.莫凡的python相关课程
- 9.斯坦福大学——data mining公开课相关书籍
- 10.我的一些大学课件（非公开课）
- 11.“Hands-On Machine Learning with Scikit-Learn & Tensor-flow: Concepts, tools and techniques to build intelligent systems”(Second Edition)
- 12.清华大学出版社——强化学习
- 13.机械工业出版社——深度强化学习
- 14.斯坦福公开课——CS885、CS234
python代码不限框架，pytorch，tensorflow等等都会用到，还是那句话，能用就行，管什么框架？东西做出来比什么都强，做不出来都是花架子。
二、什么是机器学习？
人工智能领域的先驱Arthur Samuel 1959年曾说过
“
Machine Learning is the field of study that
gives the computer the ability to learn
without
being explicitly programmed
.
”
（“机器学习是一个让计算机在没有明确编程的情况下学习的研究领域。）
Tom Mitchell给出了更加详细的定义：
“
A computer is said to learn from
experience E
with respect to some class of
task T
and
performance measure P
, if its performance at
tasks in T, as measured by P, improved with
experience E
”
（"如果它在任务T中的表现，用P来衡量，随着经验E的提高，计算机可以从经验E中学习关于某一类任务T的知识和性能衡量P，"）
三、机器学习、AI、深度学习有什么关系?
强化学习的一些概念也起源于ML和概率论之中，所以强化学习应该是ML和DL得一部分的合集。
四、分享计划
因为课程和研究时间的原因，我会分散更新，争取每天一篇，多的时候两三篇，下一课，我们从概率论和决策树说起。