我们的存在离不开信息，我们依赖数据而存在，大脑就是一个黑箱，连接黑箱和外界的就是你的感官，在时间流里，各种数据被我们的感官提取，传入大脑。大脑可以对信息进行建模，理解信息，预测未来，通过肌肉控制器对外发出指令，改变外在的世界。
语言是这整个环节当中一个非常重要的因素，语言可以将数据在不同的大脑模型间传递，这些模型就组成了更为强大的网络，创造了高等文明。语言也是一种客观的记录工具。
我们人类的语言是对我们存在世界的一种映射，而计算机语言则很局限，仅为执行任务而生；我们的大脑能够对整个世界建模，能对将这世界的每一个物体抽象建模。
人类之所以强大，是因为它是作为一个整体存在的，任何个体都只会是这个网络中的一个节点。
我们一直存在于大数据之中，只是现在我们更容易的获取数据了。
如果我们理解了数据中存在的有规律的模式，我们就能做出有潜力的预测。
机器学习，发明计算机算法，把数据转化为智能行为。（核心循环的三者：现有数据；统计方法；计算能力）
数据挖掘，从大型数据库中产生新的洞察，侧重寻找有价值的信息；机器学习侧重于执行一个已知的任务。
（在商业上一个重要的应用就是根据客户的购买行为，预测其需求，从而为其提供个性化的服务和推销。）
1.2 学习理论
定义：如果机器能够获取经验并且能利用它们，在以后的类似经验中能够提高它的表现，这种行为就是机器的学习。
学习过程：
数据输入，观察（抽象并提取信息），记忆（将信息存储在大脑的某个文件里），回忆（打开大脑里的文件）
抽象化，将数据转换成更宽泛的表现形式
一般化，应用抽象数据来形成行动的基础
举例：学习&考试
过目不忘并不是一种本领，而是一种低级的作弊方式，你没有深刻理解知识，数据本身并不能为你做出决策；必须理解核心概念（建立大纲、概念图），明确信息之间的关系，以主题为中心（这就是知识抽象化）。 一般化，需要大量抽象数据，理解如何将已有知识应用到未知场景中（好的老师能做到这两点）。
1.2.1 抽象化和知识表达
原始数据是没有意义的，仅仅是一些01或符号而已，抽象化赋予数据以具体含义。
idea 和 reality，只是语言的抽象连接。
知识表达中，将原始数据概括在一个模型里，该模型就是数据间结构化的显式描述。（方程，图表，分类都是模型）
学习的任务和所分析数据的类型决定选择使用什么模型。
用一个特定的模型来拟合数据集的过程称为训练（还没达到学习，这还只是抽象化，学习还包括一般化）。
当模型被训练后，数据转换为一个汇总了原始信息的抽象形式。模型提供了数据之间的关系或联系。
1.2.2 一般化
抽象化过程中可能发现无数的内在关系，有多种方法可以对内在关系建模（集合），为了预测，必须选定模型。
定义：一般化描述了把抽象化的知识转换成可以用于行动的形式。是训练过程中对所有可用于数据抽象化的模型的搜索过程。
一般不会遍历每一种可能来确定模型，而是用启发式方法。
偏差，就是系统误差，是模型与真实值之间的差距。偏差是普遍存在的。
一般化的最后一步就是在存在偏差的情况下判断模型的成功性。
数据中必然存在噪音，模型不能拟合噪音而造成过度拟合，模型处理噪音数据的好坏是判断模型成功与否的重要方面。
区别如下：
1、idear可作形容词，是"理想的"的意思；idea是名词。
2、idear虽然也能当名词使用，意思也是idea的意思，但是，一般都用它作形容词，是‘理想的’的意思。
3、发音不同。idear音标是英[ad]美[adi:] ，idea音标是英 [a'd] 美 [a'di] 。
扩展资料：
1、They all ridiculed the idea.
他们都嘲笑这个想法。
2、They mocked at the idea.
他们嘲笑这种想法。
3、His idea did not quite fit in with our aim.
他的想法和我们的目标不完全一致。
