（轉載）林軒田機器學習基石課程學習筆記1 — The Learning Problem

（轉載）林軒田機器學習基石課程學習筆記1 — The Learning Problem

• • When Can Machine Learn?
• Why Can Machine Learn?
• How Can Machine Learn?
• How Can Machine Learn Better?

每一個部分由四節課組成，總共有16節課。那麼，從這篇開始，咱們將連續對這門課作課程筆記，共16篇，但願能對正在看這們課的童鞋有所幫助。下面開始第一節課的筆記：The Learning Problem。

1、What is Machine Learning

什麼是「學習」？學習就是人類經過觀察、積累經驗，掌握某項技能或能力。就好像咱們從小學習識別字母、認識漢字，就是學習的過程。而機器學習（Machine Learning），顧名思義，就是讓機器（計算機）也能向人類同樣，經過觀察大量的數據和訓練，發現事物規律，得到某種分析問題、解決問題的能力。

機器學習能夠被定義爲：Improving some performance measure with experence computed from data. 也就是機器從數據中總結經驗，從數據中找出某種規律或者模型，並用它來解決實際問題。

什麼狀況下會使用機器學習來解決問題呢？其實，目前機器學習的應用很是普遍，基本上任何場合都可以看到它的身影。其應用場合大體可概括爲三個條件：

• 事物自己存在某種潛在規律

• 某些問題難以使用普通編程解決

• 有大量的數據樣本可供使用

2、Applications of Machine Learning

機器學習在咱們的衣、食、住、行、教育、娛樂等各個方面都有着普遍的應用，咱們的生活到處都離不開機器學習。好比，打開購物網站，網站就會給咱們自動推薦咱們可能會喜歡的商品；電影頻道會根據用戶的瀏覽記錄和觀影記錄，向不一樣用戶推薦他們可能喜歡的電影等等，處處都有機器學習的影子。

3、Components of Machine Learning

本系列的課程對機器學習問題有一些基本的術語須要注意一下：

• 輸入x

• 輸出y

• 目標函數f，即最接近實際樣本分佈的規律

• 訓練樣本data

• 假設hypothesis，一個機器學習模型對應了不少不一樣的hypothesis，經過演算法A，選擇一個最佳的hypothesis對應的函數稱爲矩g，g能最好地表示事物的內在規律，也是咱們最終想要獲得的模型表達式。

實際中，機器學習的流程圖能夠表示爲：

對於理想的目標函數f，咱們是不知道的，咱們手上拿到的是一些訓練樣本D，假設是監督式學習，其中有輸入x，也有輸出y。機器學習的過程，就是根據先驗知識選擇模型，該模型對應的hypothesis set（用H表示），H中包含了許多不一樣的hypothesis，經過演算法A，在訓練樣本D上進行訓練，選擇出一個最好的hypothes，對應的函數表達式g就是咱們最終要求的。通常狀況下，g能最接近目標函數f，這樣，機器學習的整個流程就完成了。

4、Machine Learning and Other Fields

與機器學習相關的領域有：

• 數據挖掘（Data Mining）

• 人工智能（Artificial Intelligence）

• 統計（Statistics）

其實，機器學習與這三個領域是相通的，基本相似，但也不徹底同樣。機器學習是這三個領域中的有力工具，而同時，這三個領域也是機器學習能夠普遍應用的領域，總得來講，他們之間沒有十分明確的界線。

5、總結

本節課主要介紹了什麼是機器學習，什麼樣的場合下可使用機器學習解決問題，而後用流程圖的形式展現了機器學習的整個過程，最後把機器學習和數據挖掘、人工智能、統計這三個領域作個比較。本節課的內容主要是概述性的東西，比較簡單，因此筆記也相對比較簡略。

這裏附上林軒田（Hsuan-Tien Lin）關於這門課的主頁：
http://www.csie.ntu.edu.tw/~htlin/

*註明：*

文章中全部的圖片均來自臺灣大學林軒田《機器學習基石》課程