入门 | 机器学习基石01 The Learning Problem

01

什么是机器学习？

首先对比人类学习，人类通过观察获得经验的积累(skill)；机器学习是从数据(data)中学习获取技能。

人类学习 vs. 机器学习

这里所说的skill, 其实就是某一方面表现(performance measure)的增进。

 

那么何时考虑使用机器学习，通常需要满足以下三个前提：

1. 存在有待学习的隐含模式(underlying pattern)。

2. 该模式无法/难以通过程序实现(no programmable definition)。

3. 该模式存在足够多的数据(data)。

02

The Learning Model

下面介绍机器学习的一般模型，以及一些专用术语。

 

  

图中涉及到一些概念：

• 目标函数f( target function, underlying pattern)

• 训练数据D(data, training examples)

• 假说(hypothesis)

• 假说空间(hypothesis set)

• 学习算法A(learning algorithm)

一言以蔽之，Machine Learning = A take D and H to get g。具体而言，使用机器学习算法A，利用数据D，在假说空间中寻找一个最佳的g，作为最终目标函数f的近似。

 

示例：是否给用户发信用卡

在此示例中，假说空间中，有三种假说。机器学习算法就是要寻找最好的g。

03

机器学习 vs. 数据挖掘 vs. 人工智能 vs. 统计学

转自：算法channel 

阅读伙伴公众号更多精彩内容，点击 “ 阅读原文 ”