台湾大学机器学习基石lecture1小结

最近在学习台湾大学林轩田老师的机器学习基石课程，在lecture1中，老师讲述了when can machine learn?提出了三个判断是否使用机器学习的关键：

1、有更好的输出表现

2、不知道如何写规则（但数据集应该包含规则）

3、最重要的便是要有资料data

针对机器学习在生活中的应用，举一个例子来说，假如我们要写一个movie推荐系统，那么一个可用的pattern可以是：找到data，从data中获取受欢迎的movie特征，例如动作片、喜剧片、爱情片等等，从观众角度来说，可能是该movie中存在观众喜欢的演员或者观众喜欢的bgm等等，这个应该就是特征提取了吧，根据特征构造机器学习模型，来写出movie推荐系统程序。

ML中learning的基本组成部分，有input X       output Y      target function fhypothesis Hdata(训练集)以及g。

一个一般的机器学习模型如下:

其中，假设集合可能有1个元素，也可能存在无穷多个元素，比如很多个元素的时候，那么学习算法的作用就是从这么多的hypothesis中找出一个使输出表现的最优秀的hypothesis,使g=该hypothesis，并且近似等于目标函数f。

由于第一次写博客，实在生疏，作为自己学习机器学习的脚印吧！