臺大機器學習基石(1)

臺大機器學習基石(1)

機器學習對於適用場景有必定的前提條件：

1. 能夠找到某種模式
2. 不容易編程實現，不能對目標下一個簡單的定義
3. 能找到訓練的數據，數據量越大越好

使用機器學習的一個小例子——銀行信用卡批准
例如銀行會收到申請客戶的我的資料，而後根據我的信息進行分析，選擇是否發放信用卡，以達到銀行最大收益。

機器學習所扮演的角色就是訓練出某種髮卡策略。

數學描述：

1. X：用戶我的資料
2. Y：是否要髮卡
3. 目標函數F：X->Y（F爲目標函數，經過用戶資料，得出是否髮卡的策略）
4. 訓練數據D={(X1,Y1),(X2,Y2)...}
5. 假設Hypothesis：G：X->Y的表現很好

以下圖可以形象的表現出機器學習的數學過程。

這裏面有個隱含的過程，也就是D數據集其實是由某種理想化（不可知）的公式F演算獲得的.

而機器學習的過程也只是在不斷逼近，試圖獲得F，可是隻能獲得它的近似函數G，G約等於F。

那麼在這個例子裏，G會是怎麼樣的一種形式呢？接下來，就具體的講一講。

我的資料包含：年齡、性別、年收入、居住時間、工齡、負債。

G屬於假設集合H{h1,h2,h3...}

h1：年收入>20萬

h2：負債>8萬

h3：工齡<=2年

......

機器學習過程就是爲G挑集合H中選擇最好的一個。

機器學習的模型就是指：演算法A與假設集合H。

所以總結：機器學習，根據數據D，計算出假設G，約等於目標函數F。

概念區分

機器學習與數據挖掘的關係

1. 首先從二者的目標角度來說，機器學習是經過數據找到某種Pattern，找到近似函數G；而數據挖掘則是經過數據找到當中有趣的元素。可是某些狀況下，它們並不區分，由於有趣的元素能夠是這個Pattern，這時它們的目標相同。
2. 而後從它們的訓練過程來說，都是須要喂數據的。
3. 接着，是因爲數據挖掘的特色：數據挖掘是在大數據方面切入的，因此更加註重大數據的高效計算。
4. 最後，它們之間是互相促進的，有時候發現了G，那也能幫助找到有趣重要的元素，反之也是。

機器學習與人工智能的關係

1.機器學習是實現人工智能的一種方式。

機器學習與統計學的關係

1. 統計是實現機器學習的一種方法。
2. 傳統的統計學是從數學出發，更加註重假設與證實；機器學習從電腦出發，更注重怎麼計算處理，而不僅是數學上的證實等。