林轩田机器学习基石--The Learning Problem

林轩田老师的课可以整体分成四个部分。
1.When Can Machines Learn？
2.Why Can Machines Learn?
3.How Can Machines Learn?
4.How Can Machines Learn Better?
下面是第一节课（The Learning Problem）的笔记：
学习：通过阅读、听讲、研究、观察、理解、探索、实验、实践等手段获得知识或技能的过程，是一种使个体可以得到持续变化（知识和技能，方法与过程，情感与价值的改善和升华）的行为方式。
机器学习对应的是：通过数据进行学习找到某种规律或模型，使其具备解决问题的能力。

机器学习看着很厉害，什么情况下能使用机器学习呢？
大致机器学习应满足以下三种情况：
1.问题具有一定的潜在规律。
2.问题很难被普通意义上的编程解决。
3.具有大量的学习数据样本。
机器学习应用的场景：在生活的吃穿住行，方方面面都可以看见机器学习的影子，都有应用。
机器学习的组成部分：
输入 x 输出 y 目标函数 f(最接近实际样本的规律) 训练样本 data
hypothesis:一个机器学习模型可以对应很多个hypothesis
g:通过演算法a得到很多个hypothesis中最好的，最接近f的，g能很好的刻画数据样本的规律

机器算法学习流程图：

其流程:我们事先不知道具体的f，我们也没有办法直接求出来，只能通过已有的数据使用演算法a进行学习，使得找出H中最优的一个，最满足的这些数据规律的为g，很显然g≈f，最终就用这个g替代f，去解决未训练样本的问题。
与机器学习相关的领域：
数据挖掘（Data Mining）人工智能（Artificial Intelligence） 统计（Statistics）
这些领域与机器学习息息相关，没有统一的界限。

总结

大致讲了机器学习的三个使用条件，机器学习的使用流程，以及机器学习相关的领域概念及联系。

注：文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。