要求两周之内看完林轩田机器学习基石和技法,速度是要的,但是感觉看得太快我会不久就会忘记。因此记录一下梗概,顺便写写看视频时解决的不懂的地方(有种思想就是把知识传播给更多人,有时候就是靠大佬们善意的一句提点才懂的,也感谢视频底下和弹幕有很多大佬在解释)
视频有b站搬运还有YouTube上的,YouTube要翻墙,最好还是b站吧。然后视频是国语的,也是为了让更多人方便学到。
b站:
林轩田机器学习基石
林轩田机器学习技法
YouTube:
林轩田机器学习基石
林轩田机器学习技法
然后就是大牛们的博客参考:
红色石头(感觉是看过的最全的了)
杜少csdn
某大牛自己搭的笔记网站
笔记章节分吧。最后,这个是一定会更完的,因为这两部65集大型连续剧,两周内死也会看完的 = =、
1. The learning problem
P1 1.1
简单介绍一下机器学习(其实就是冇做笔记哈哈哈)
P2 1.2
机器学习:
模拟人脑的学习过程
从资料出发->ML->改进性能测量 improved performance measure
例子:
人如何辨认树:不是讲规则,而是人多次观察,去辨认出树
ML也一样,在某些应用会让机器自己去分析资料,自己去学习
有的系统做不到把规则写下来(比如上火星)
要靠机器人和环境的互动来得到更好的表现
授机器以鱼不如授机器以渔
3个关键点判断适不适合机器学习
- 有某些performance measure(衡量工作的指标)要机器去学习,有某种规则、潜在的模式去预测
- 目标不知道怎么把规则写下来
- 有数据去输入
P3 1.3
讲了些ML可以应用的方面
可能的机器学习模型:
各个特征加权输入
P4 1.4
机器学习例子:银行根据用户资料,决定是否发卡
f 是事物的客观规律,f(x)-> y,但是根据机器学习的三个前提,f无法或者很难列出来
这时候机器学习会学到一个规律g,来尽量拟合这个f
有:g ∈ H = {hk},hk表示各种拟合f的规律(各种特征、条件),把所有拟合的规律构成集合H
H就是所有方法的集合,当然这些方法、规律有好有坏
我们要求机器从模型集合H中选最好的g来让g尽量拟合客观模型f
P5 1.5
讲述机器学习和数据挖掘、人工智能、统计学的异同
总结什么是机器学习:利用数据,想要找的一个函数g,这个函数
和目标函数f是很接近的
component 组成:A takes D and H to get g