一、机器是如何学习的
机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。
二、如何通俗的理解机器学习中的VC维，shatter和break point
来源：知乎
胡科学
通俗来讲，举个例子吧。假如你想训练出这样一个模型：根据人的身高和体重来预测这个人美还是丑。这是一个简单的二分类问题。
现在想象你面前有一个平面直角坐标系。横轴（x轴）代表人的身高，纵轴（y轴）代表人的体重。
现在咱们拍脑袋决定：咱们的模型应该是线性的（就是一条直线）。通俗来讲，在你的平面直角坐标系里，你画一条线，这条线就把美人和丑人分开了。这条线就是我们最终的模型。
现在咱们要开始往平面直角坐标系放数据了。
假设咱只有两组数据（就是说咱们的坐标系里只有两个点）。这两组数据随机组合，一共有3种情况。
第一种情况：咱们有两个美人的数据
第二种情况：咱们有两个丑人的数据
第三种情况：咱们有一美一丑的数据
无论是哪一种情况，咱们都可以通过一条线把美人和丑人分开。这说明：线性的模型是完全可以shatter两组数据的。
但假如说咱们有四组数据（坐标系里有四个点）。咱们就无法保证线性模型可以完全解释所有数据的可能性了。例如咱们的数据是（180cm, 50kg）=美，（10cm, 10kg）=美，（180cm, 10kg）= 丑还有(10cm, 50kg）=丑。对于这组数据，咱无论怎么画直线，都没有办法把美和丑分开在直线两侧。这说明：线性的模型是没有办法Shatter 4组数据的。
假如说咱们有三组数据，还是总可以通过画线的方式把美/丑分开的。（大家仔细想一想）。
所以，线性模型在这种二维数据的情况下的VC dimension 是3。（因为线性模型最多能Shatter3组数据）
现在，假如说我们突然改变主意了：咱们的模型可以是非线性的。那非线性模型的VC dimension可就高了。想象一下，一条曲线是不是理论上可以把坐标系里的所有美丑都分开？
所以通俗的理解： VC dimension就是某类模型对数据数量的包容性。VC dimension越高，就说明包容性越强。
说了这么多，VC dimension到底有什么用呢？简单来说，VC dimension可以帮助我们选择更好的模型。所谓“更好”的模型，可以理解为风险（risk)更低的模型。
如何估计模型的风险呢？咱们有这个公式：
真正的风险 < 根据已有数据计算出的风险 +f(VC dimension)
f(VC dimension)是一个以VC dimension为变量的函数。咱们要选择的模型，一定要使f(VC dimension)低，这样真正的风险就会低。风险低的模型就更好。
Ps: 我上面说的可能不完全准确。只是为了尽量通俗地把概念说明白。
发布于
赵印
简单通俗的说。
VC维是模型的复杂程度，模型假设空间越大，VC维越高。
shatter和break point是VC维理论中的概念。shatter是指模型假设把数据打碎了，也就是区分开了。而break point是指当模型复杂度变的足够高了后，可以把数据打的足够散的一个数学临界点。
更重要的是，VC维的实践意义是给机器学习可学性提供了理论支撑。
1. 测试集合的loss是否和训练集合的loss接近？VC维越小，理论越接近。
2. 训练集合的loss是否足够小？VC维越大，loss理论越小。
一般工业实践中通过引入正则对模型复杂度(VC维)进行控制，平衡这两个问题的矛盾。
如果想深入理解，推荐看看腾讯广点通团队的这个技术博客：VC维的来龙去脉 | 火光摇曳 。 个人认为总结的很好。
三、求初中物理简单机械的思维导图【也就是知识归纳】
哪种简单机械 ？ 杠杆 滑轮（组）等
希望帮到你
四、甚么是李群机器学习
根据“模型﹢分析”的认知互补机制和李群理论，提出了李群机器学习框架。《李群机器学习》共分11章：引论，李群覆盖学习，李群深层结构学习，李群半监督学习，李群核学习，张量学习，标架丛上的联系学习，谱估计学习，Finsler几何学习，同调边沿学习，基于范畴理论的学习方法。根据“模型﹢分析”的认知互补机制和李群理论，提出了李群机器学习框架。《李群机器学习》共分11章：引论，李群覆盖学习，李群深层结构学习，李群半监督学习，李群核学习，张量学习，标架丛上的联系学习，谱估计学习，Finsler几何学习，同调边沿学习，基于范畴理论的学习方法。根据“模型﹢分析”的认知互补机制和李群理论，提出了李群机器学习框架。《李群机器学习》共分11章：引论，李群覆盖学习，李群深层结构学习，李群半监督学习，李群核学习，张量学习，标架丛上的联系学习，谱估计学习，Finsler几何学习，同调边沿学习，基于范畴理论的学习方法。根据“模型﹢分析”的认知互补机制和李群理论，提出了李群机器学习框架。《李群机器学习》共分11章：引论，李群覆盖学习，李群深层结构学习，李群半监督学习，李群核学习，张量学习，标架丛上的联系学习，谱估计学习，Finsler几何学习，同调边沿学习，基于范畴理论的学习方法。根据“模型﹢分析”的认知互补机制和李群理论，提出了李群机器学习框架。《李群机器学习》共分11章：引论，李群覆盖学习，李群深层结构学习，李群半监督学习，李群核学习，张量学习，标架丛上的联系学习，谱估计学习，Finsler几何学习，同调边沿学习，基于范畴理论的学习方法。根据“模型﹢分析”的认知互补机制和李群理论，提出了李群机器学习框架。《李群机器学习》共分11章：引论，李群覆盖学习，李群深层结构学习，李群半监督学习，李群核学习，张量学习，标架丛上的联系学习，谱估计学习，Finsler几何学习，同调边沿学习，基于范畴理论的学习方法。