当今世界的数据量增长速度简直超乎想象。从
20
世纪
80
年代开始，世界上的数据存储容量大
约每
3
年就翻一番。在你读完本章的这段时间内，世界上的数据存储会增加10的18次方位。很难想象这个
数字有多大，可以打个比方，
10的18次方
枚加拿大便士的面积大约是地球表面积的两倍。
当然，更多数据并不一定能提供更多有用信息。进化是一个缓慢的过程，人类思维对数据的
吸收能力也不可能每
3
年就翻一番。如果要从“大数据”中尽可能提取有用信息，现在可以使用
统计机器学习
。
机器学习很难明确地定义。从某种意义上说，所有可用的程序都可以学习到一些东西。例如，
对牛顿法的程序实现可以“学习”一个多项式的根。最早的一种机器学习定义是由美国电气工程
师、计算机科学家亚瑟·塞缪尔
①
提出的，他给出的定义是：“机器学习是使计算机不用特意编程
就可以获得学习能力的研究领域。”
人类通过两种方式进行学习
——
记忆和归纳。我们通过记忆积累单个事实。例如，在英国，
小学生会学习英国的历代君王。我们使用
归纳
从旧的事实推导出新的事实。例如，一个政治学专
业的大学生会观察很多政客的行为，然后从这些观察中归纳出一个结论：所有政客都会在竞选活
动中说谎。
当计算机科学家说起机器学习时，他们通常指的是进行一种训练，通过这种训练可以编写
能自动学会根据数据隐含模式进行合理推断的程序。举例来说，通过线性回归
可以学习一条曲线，作为一组实例的模型，然后使用这个模型对未知实例进行预测。