【林轩田】机器学习基石（一）

接触机器学习有两年了，也做了一些project，但是还是停留在调库、调参等表面东西上，对于机器学习基础方面的东西，仍旧很虚。

趁着放长假，我决定好好补补基础，然后写写笔记激励自己持续学习。课程是台大林轩田老师的《机器学习基石》这门课，在B站上搜索就能看到。

Lecture 1 The Learning Problem

1.1 What is Machine Learning 什么是机器学习？

这里林老师和人类的学习做了类比，他说人类是通过观察，得到经验模式，再把模式套到新的事物上；机器学习也是一样的。只不过机器是从很多的data中得到经验技巧，再利用得到的经验技巧解决未知的问题。

机器学习适用于这样的场景：

• 当人类不能手动地构建一个系统或者简单地定义一个“解决方法”时
• 当需要快速的决策，但是人类的决策速度无法实现时
• 当需要为数量很多的用户进行用户精准的服务时

也就是说，有些场景过于复杂（人类无法准确地定义），但是这些场景又有一些规律可循；有些场景太过庞大，人脑的计算力不够时，比较适用于机器学习。

1.2 Application Of Machine Learning 机器学习的应用

应用就多啦，这部分没啥笔记可记。

【这里说一下，以前在 KDDCUP 总是看到国立台大的影子，当时还觉得有点纳闷儿，不过有这么厉害的老师和学生，能拿到这些奖是很正常了】

1.3 Components Of Learning 学习的构件

这部分主要是介绍一个机器学习问题的基本构成。

首先，要有输入INPUT，一般称为 x 

然后有输入对应的输出 OUTPUT ,称为 y

我们还需要一个理想化的目标函数使得x和y对应起来，这里将目标函数称为f

 

因为函数f是理想化的，而实际上，我们机器学习的都是近似的模式，或者说，是一种假说 hypothesis，所以我们称机器学习学到的函数为g

我们还有一个 D ，即Data，代表我们训练所需的数据样本

机器学习训练的目标是，让 g 越来越接近 f 

1.4 Machine Learning and Other Fields 机器学习和其它领域

1.4.1 ML & Data Mining 机器学习和数据挖掘

林老师将data mining翻译成资料探勘，我们一般翻译成数据挖掘。

数据挖掘：从很大很大量的数据中挖掘出有用的信息。

机器学习：使用数据去找到逼近 f 的假说 g。

 

1.4.2 ML & Artificial Intelligence 机器学习和人工智能

机器学习是实现人工智能的一种方式。

 

1.4.3 ML & Statistics 机器学习和统计

统计可以用来实现机器学习。