最近在看Coursera上台大林轩田老师的Machine Learning Foundation的课程,决定听一个讲座写一篇学习笔记。今天是第一篇。
知识点1:
人的学习过程是:Observation(观察)--〉Learning (学习)--〉Skill(技能);
而机器的学习过程是:Data (资料) --〉ML(Machine Learning,主要是Compute)--〉Skill(Improved performance measure);
例如:金融股票方面的机器学习,stock data --〉ML--〉more investment gain。
知识点2:
一个事物能否进行机器学习有如下的3个关键点:
1、Exists some "underlying pattern" to be learned; (具有潜在的模式)
So "performance measure" can be imporved
2、No programmable(easy) definition; (无法用程序来定义这些规则)
So 'ML' is needed
3、Somehow there is data about the pattern。(拥有描述这个模式的数据)
So 'ML' has some 'input' to learn from
知识点3:
Practical definition of Machine Learning(机器学习的定义)
这是一个信用卡审批的机器学习的流程:
从上图可以看出,理想的信用卡是否审批存在一个公式f(是一个未知的目标函数),通过这个目标函数f,输入X(信用卡申请人信息),输出Y(批准或未批准)。但是这个公式f我们不知道,但是我们有很多的历史资料,我们抽取一部分历史资料作为训练数据D:(x1,y1),...,(xn,yn),通过机器学习算法A,从hypothesis set H中实验每一个hypothesis,最终ML得到'best' hypothesis g,应该来说g应该无限接近目标函数f。
Learning Model= A & H
Machine Learning Foundation Lecture 02 Learning to Answer YesNo 学习笔记