林轩田机器学习基石笔记1—The Learning Problem

机器学习分为四步：

• When Can Machine Learn?

• Why Can Machine Learn?

• How Can Machine Learn?

• How Can Machine Learn Better?

一、What is Machine Learning

Q：什么是“学习”？

A：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。

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 experence 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。

机器学习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

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。

1）Food

data：网上的餐厅信息(位置，评价)

skill：告诉用户去该餐厅吃饭多大可能性中毒

2）Transportation

data：一些交通信号的图片和标志

skill：准备辨认交通信号

三、Components of Machine Learning

本系列的课程对机器学习问题有一些基本的术语需要注意一下：

• 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对应的函数称为矩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：

机器学习模型：H + A

机器学习：通过样本数据得到假设g（use data to compute hypothesis g）

四、Machine Learning and Other Fields

与机器学习相关的领域有：

• 数据挖掘（Data Mining）：use (huge) data to find property that is intersting

• 人工智能（Artificial Intelligence）：compute somthing that shows intelligent behavior

• 统计（Statistics）：use data to make inference about an unknown process

其实，机器学习与这三个领域是相通的，基本类似，但也不完全一样。

如果DM中的intersting 和ML的hypothesies 相似，则ML=DM。DM can help ML

ML can realize AI.

Statistic can be used to achieve ML.

五、总结

本节课主要介绍了什么是机器学习，什么样的场合下可以使用机器学习解决问题，然后用流程图的形式展示了机器学习的整个过程，最后把机器学习和数据挖掘、人工智能、统计这三个领域做个比较。