最近发布了一系列台湾大学资讯工程系林軒田（Hsuan-Tien Lin）教授开设的《机器学习基石》的课程总结，分为4个部分，点击标题可查看：
- 机器什么时候能够学习？（When Can Machines Learn？）
- 机器为什么能够学习？（Why Can Machines Learn？）
- 机器怎样学习？（How Can Machines Learn？）
- 机器怎样可以学得更好？（How Can Machines Learn Better？）
1 “3”的魔力
整个课程中，“3”这个数字贯穿始终。比如在介绍机器学习时，介绍了它和3个相关领域（数据挖掘、人工智能、统计学）的区别与联系：
在说明可学习性理论时，讲了机器学习的3个理论边界：
课程介绍了3种线性模型（PLA/Pocket、线性回归、逻辑回归）：
还介绍了3种关键工具（特征变换、正则化、验证）：
以及3个学习原则（奥卡姆剃刀、抽样偏差、数据窥探）：
在未来的《机器学习技法》课程中，还会从3个方面（更多特征变换、更多正则化、更少标签）进行扩展，进而引出一系列的模型：
2 课程回顾
以下是每一节课的回顾。
