企业官网建设流程全解析

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