课程一开始，提了四个topic，what every machine learning user should know
* when can ml learn
* why can ml learn
* how can ml learn
* how can ml learn better
When can ml learn
首先，机器学习针对的场景，通过A对D和H学习一个g，用来描述最终的目标f，而这个事情无法简单的用规则搞定。其次，澄清各类细分ml场景的定义：
* 监督式
* 非监督式
* 增强学习
* 推进系统
* Activity学习，通过asking来学习
* Streaming
why can ml learn
* shatter的概念
* break point的概念
* generation问题
* VC维的概念
how can ml learn
讲了一些基本的linear方法，比如logistic regression，顺便提了下nonlinear的问题，通过transform将nonlinear映射到linear可分的空间，有点类似核函数，需要进一步确认。
how can ml learn better
* overfiting
* regularition，这块数学不错。从拉格朗日的constraint说起，到L1和L2的直观意义。
* cv
* 三个重要的Principle。Occam's Razor， Sample Bias， Data Snooping.
我对这门课的收获
* 霍夫曼定理
* VC维的理解，线性相关
* 略微有点啰嗦，为了避免数学，导致描述的复杂度上升好几个级别
总体来讲，对工程人员帮助不是特别大，但有利于加深概念的理解。