林轩田机器学习基石（Machine Learning Foundations）笔记（一）

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

1. 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
2. 目标不知道怎么把规则写下来
3. 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