机器学习
一、定义及其关键问题
- 定义
- 使得计算机具备和人类一样的学习技能。
- 给定数据(样本、实例)和一定的学习规则,从数据中获取知识的能力。
- 关键问题:如何实现和优化机器的自我学习。
二、目标函数
1. 选择
学习系统的目的是改进在完成某一类任务T时的性能P。通常把这一目标转换成对某目标函数的学习。
近似函数(V)的设计应避免采用“不可操作的方法”——在理论上看起来简单易懂,但其实现极其困难或不符合实际任务需要的方法。
可以把机器学习的任务归结为发现目标函数(V)的可操作描述,一般采用函数逼近(Function Approximation)方法。
目标函数的学习算法通常被称为函数逼近算法。
2. 表示
目标函数(T)的表示方法指它的近似函数(V)的表示方法。
目标函数的表示需要综合考虑目标函数的表达能力(i.e.,选择什么样的目标函数适合具体的应用场景,如是线性、还是多项式函数等等)和训练数据的规模,进而确定近似函数的各个参数,达到表示目标函数的目的。