前言
1.机器学习到底应该怎么去学,机器学习的学习没有想象中的那么困难,当然也没有外面宣传的那么容易。
2.机器学习是一项长期的工作,能促使你学习下去的最终动力,只有热爱。
3.在台湾大学《机器学习基石》的系列课程中列出了传统编程很难应用,但适合机器学习的 4 类场景:
-
当传统编程无法实现某类系统时
-
当解决方案很难人工界定时
-
当需要快速决策时
-
当面向的用户市场极其庞大时
机器学习的核心:
0.目标函数(Target function)
机器学习,本质上就是希望机器能 通过数据学习到某种规律 ,或者叫模式,、英文里是 pattern。
这种模式在数学上可以表达为一个函数,这个函数是我们的最终目标,因此也叫做 目标函数(Target function)。
1.充分的数据
把数据喂给机器,机器才能开始学习。
2.数据进行预处理。
对数据进行预处理的过程叫做特征工程(feature engineering),会反复进行特征工程以达到比较好的学习效果。
3. 假设集合(hypothesis set)和 目标函数(Target function)
(1)假设集合里的每个假设也都是一个函数。
(2)函数是我们的最终目标,因此也叫做 目标函数(Target function)。
4.机器学习算法(learning algorithm)
把数据和假设集合放到一个机器学习算法(learning algorithm)里,
算法就会根据已知的数据从假设集合里挑选出一个最合适的,
这个被命运选中的函数就是机器学习的学习过程产生的最终结果。
5.机器事实上学习出来的函数(起个名字叫做 g)有可能跟目标函数不太一样,
但是我们希望它们尽可能接近。
一旦掌握了数据的规律(或者我们自以为掌握了数据的规律),
那么面对未知的数据时,算法也会游刃有余的给出预测。