有个挺有意思的现象身边不少朋友把《机器学习》《统计学习方法》《机器学习实战》这几本书翻得卷了边逻辑回归的梯度能自己推sklearn的接口调得很熟甚至能搭一个两层的小网络跑通手写数字识别但你问他一句机器学习为什么叫机器学习多数人愣一下然后说不就是让机器自己去学吗。这个回答不算错可它太顺滑了顺滑到你根本不会追问机器凭什么能学学这个字是谁先安上去的安上去的时候它想表达的是今天这个意思吗我写这篇东西不打算讲任何一个具体算法只想把机器学习这四个字的来路捋一遍。原因很直接——把这名字捋清楚你会突然明白为什么这门学科一会儿被塞进计算机系、一会儿被拉去统计系、一会儿又要和模式识别、深度学习、统计学习做切割。这些看起来像学术圈内部抢地盘的行政问题根子基本都埋在名字里。它适合任何刚开始学机器学习、或者学了两年但没认真想过它出身的人读看完你对它在研究什么这件事会有个更稳的判断。1. 一个看起来天经地义的名字其实是被争论出来的1.1 名字不是被起出来的是被用出来的很多人默认一件事每个学科的名字都是某个权威在某个庄严场合正式定下来的像给新生儿上户口一样。真实的命名过程要粗糙得多。学术领域里一个术语能不能活下来通常取决于三件事——有没有人在正式出版物里反复用它、用它的人后来有没有做成事情、以及这个名字会不会让人产生严重误解。三个条件里前两个是最硬的第三个往往被忽略等大家发现问题的时候名字已经改不动了。机器学习就属于这种。它不是一个被规划出来的名字而是一个被用出来、然后被沿用、最后被固化的名字。它的英文 machine learning直译过来就是机器的学习。注意这里有个语法上的微妙之处它不是学习机器learning machine而是机器的学习machine learning。前者说的是一种设备的类型后者说的是一种现象。这个区别看起来很小但它决定了这门学科到底在描述什么——它描述的是机器身上发生的学习现象而不是某种会学习的机器。我见过不少人第一次接触时把这两个概念搞混以为机器学习就是研究某种特殊的硬件。不是。它研究的是现象、方法和规律硬件只是载体。这个误解的源头就是名字里那个机器太显眼了。1.2 名字决定了你从哪扇门进来一个名字最大的作用其实不是描述而是暗示。它会告诉后来的人这个领域的核心问题在哪。名字里带机器你自然会觉得核心是计算设备和程序名字里带统计你会觉得核心是概率模型和推断名字里带识别你会觉得核心是把输入分到某个类别里去。同一批方法挂上不同的名字吸引来的是完全不同背景的人。这带来一个很现实的结果你如果学机器学习是