【林轩田】机器学习基石（一）

接触机器学习一年多，并没有真正的理解其中的原理，突然决定从头开始，做一些简单的记录督促自己学习。关注了一个博主，因为他写的太好了，简洁儿深刻结构清晰，从中学习很多，大部分内容从中摘抄，学习内容总结方式逻辑结构，感激博主分享https://blog.csdn.net/sjz_hahalala479

Lecture 1 The Learning Problem

1.1 What is Machine Learning 什么是机器学习？

        以人为类比说明通过观察获取经验模式，再把模式套到新的事物上；机器学习同样也是，从数据中获取经验技巧，再利用经验技巧解决未知问题。

机器学习适用于场景：

• 当人类不能手动地构建一个系统或者简单地定义一个“解决方法”时
• 当需要快速的决策，但是人类的决策速度无法实现时
• 当需要为数量很多的用户进行用户精准的服务时

总结：有些场景过于复杂（人类无法准确地定义），当场景又是有规律可循；或者当场景过于庞大，人类脑力无法计算完成。

1.2 Application Of Machine Learning 机器学习的应用

耗能预测、无人驾驶、推荐系统、线上教学系统

KDDCup 林老师还是蛮牛的，连续参加5年，都取得不错的成绩，哈哈哈哈，感激，好好学习。

1.3 Components Of Learning 学习的构件

       输入x,输出y，存在一个理想化函数把x,y对应起来，目标函数f为理想化的。

       而机器学习是近似模式，或者是一种假说hypothesis，称机器学习学习到的假设函数为g，机器学习的目标是使g越来越接近于f。D代表训练数据集。D={（x1,y1）,(x2,y2),.....,(xn,yn)}，共n个样本。

             H称为假设函数集，包含了好与不好的各种h（假设），如下图所示，

• 其中机器学习算法用A表示
• 假设空间或者叫做假设集合一般用H表示，它是包含各种各样的假设，其中包括好的假设和坏的假设，算法A从H这个集合中挑选出它认为最好的假设作为g