机器学习基石1-概述

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。
笔记原作者：红色石头
微信公众号：AI有道

一、What is Machine Learning

什么是“学习”？学习就是人类通过观察、积累经验，掌握某项技能或能力。就好像我们从小学习识别字母、认识汉字，就是学习的过程。而机器学习（Machine Learning），顾名思义，就是让机器（计算机）也能向人类一样，通过观察大量的数据和训练，发现事物规律，获得某种分析问题、解决问题的能力。

机器学习可以被定义为：Improving some performance measure with experience computed from data. 也就是机器从数据中总结经验，从数据中找出某种规律或者模型，并用它来解决实际问题。

什么情况下会使用机器学习来解决问题呢？其实，目前机器学习的应用非常广泛，基本上任何场合都能够看到它的身影。其应用场合大致可归纳为三个条件：

• 事物本身存在某种潜在规律
• 某些问题难以使用普通编程解决
• 有大量的数据样本可供使用

二、Applications of Machine Learning

1. 衣
   Abu-Mostafa, 2012
2. 食
   Sadilek et al., 2013
3. 住
   Tsanas and Xifara, 2012
4. 行
   Stalkamo et al., 2012

机器学习在我们的衣、食、住、行、教育、娱乐等各个方面都有着广泛的应用，我们的生活处处都离不开机器学习。比如，打开购物网站，网站就会给我们自动推荐我们可能会喜欢的商品；电影频道会根据用户的浏览记录和观影记录，向不同用户推荐他们可能喜欢的电影等等，到处都有机器学习的影子。

三、Components of Machine Learning

• 输入\(x\)
• 输出\(y\)
• 目标函数\(f\)，即最接近实际样本分布的规律
• 训练样本data
• 假设hypothesis，一个机器学习模型对应了很多不同的hypothesis，通过演算法A，选择一个最佳的hypothesis对应的函数称为\(g\)，\(g\)能最好地表示事物的内在规律，也是我们最终想要得到的模型表达式。

实际中，机器学习的流程图可以表示为：

对于理想的目标函数\(f\)，我们是不知道的，我们手上拿到的是一些训练样本\(D\)，假设是监督式学习，其中有输入\(x\)，也有输出\(y\)。机器学习的过程，就是根据先验知识选择模型，该模型对应的hypothesis set（用\(\mathcal{H}\)表示），\(\mathcal{H}\)中包含了许多不同的hypothesis，通过演算法A，在训练样本\(D\)上进行训练，选择出一个最好的hypothes，对应的函数表达式\(g\)就是我们最终要求的。一般情况下，\(g\)能最接近目标函数\(f\)，这样，机器学习的整个流程就完成了。

四、Machine Learning and Other Fields

1. Data Mining: while data mining and machine learning do share a huge overlap, they are arguably not equivalent because of difference of focus.

2. AI: machine learning is a route to realize artificial intelligence.

3. Statistics: statistics can be used for data mining.

转载于:https://www.cnblogs.com/SweetZxl/p/10429761.html