（转载）林轩田机器学习基石课程学习笔记1 — The Learning Problem

（转载）林轩田机器学习基石课程学习笔记1 — The Learning Problem

• • When Can Machine Learn?
• Why Can Machine Learn?
• How Can Machine Learn?
• How Can Machine Learn Better?

每一个部分由四节课组成，总共有16节课。那么，从这篇开始，咱们将连续对这门课作课程笔记，共16篇，但愿能对正在看这们课的童鞋有所帮助。下面开始第一节课的笔记：The Learning Problem。

1、What is Machine Learning

什么是“学习”？学习就是人类经过观察、积累经验，掌握某项技能或能力。就好像咱们从小学习识别字母、认识汉字，就是学习的过程。而机器学习（Machine Learning），顾名思义，就是让机器（计算机）也能向人类同样，经过观察大量的数据和训练，发现事物规律，得到某种分析问题、解决问题的能力。

机器学习能够被定义为：Improving some performance measure with experence computed from data. 也就是机器从数据中总结经验，从数据中找出某种规律或者模型，并用它来解决实际问题。

什么状况下会使用机器学习来解决问题呢？其实，目前机器学习的应用很是普遍，基本上任何场合都可以看到它的身影。其应用场合大体可概括为三个条件：

• 事物自己存在某种潜在规律

• 某些问题难以使用普通编程解决

• 有大量的数据样本可供使用

2、Applications of Machine Learning

机器学习在咱们的衣、食、住、行、教育、娱乐等各个方面都有着普遍的应用，咱们的生活到处都离不开机器学习。好比，打开购物网站，网站就会给咱们自动推荐咱们可能会喜欢的商品；电影频道会根据用户的浏览记录和观影记录，向不一样用户推荐他们可能喜欢的电影等等，处处都有机器学习的影子。

3、Components of Machine Learning

本系列的课程对机器学习问题有一些基本的术语须要注意一下：

• 输入x

• 输出y

• 目标函数f，即最接近实际样本分布的规律

• 训练样本data

• 假设hypothesis，一个机器学习模型对应了不少不一样的hypothesis，经过演算法A，选择一个最佳的hypothesis对应的函数称为矩g，g能最好地表示事物的内在规律，也是咱们最终想要获得的模型表达式。

实际中，机器学习的流程图能够表示为：

对于理想的目标函数f，咱们是不知道的，咱们手上拿到的是一些训练样本D，假设是监督式学习，其中有输入x，也有输出y。机器学习的过程，就是根据先验知识选择模型，该模型对应的hypothesis set（用H表示），H中包含了许多不一样的hypothesis，经过演算法A，在训练样本D上进行训练，选择出一个最好的hypothes，对应的函数表达式g就是咱们最终要求的。通常状况下，g能最接近目标函数f，这样，机器学习的整个流程就完成了。

4、Machine Learning and Other Fields

与机器学习相关的领域有：

• 数据挖掘（Data Mining）

• 人工智能（Artificial Intelligence）

• 统计（Statistics）

其实，机器学习与这三个领域是相通的，基本相似，但也不彻底同样。机器学习是这三个领域中的有力工具，而同时，这三个领域也是机器学习能够普遍应用的领域，总得来讲，他们之间没有十分明确的界线。

5、总结

本节课主要介绍了什么是机器学习，什么样的场合下可使用机器学习解决问题，而后用流程图的形式展现了机器学习的整个过程，最后把机器学习和数据挖掘、人工智能、统计这三个领域作个比较。本节课的内容主要是概述性的东西，比较简单，因此笔记也相对比较简略。

这里附上林轩田（Hsuan-Tien Lin）关于这门课的主页：
http://www.csie.ntu.edu.tw/~htlin/

*注明：*

文章中全部的图片均来自台湾大学林轩田《机器学习基石》课程