《机器学习基石》1-The Learning Problem

Introdction

What is Machine Learning

• 机器学习：计算机通过数据和计算获得一定技巧的过程。

• 技巧：指的是在某些事情上表现更加出色，比如预测、识别等等。

Why using Machine Learning

• 一些数据或者信息，人来无法获取，可能是一些人无法识别的事物，或是数据信息量特别大；

• 人的处理满足不了需求，比如：定义很多很多的规则满足物体识别或者其他需求；在短时间内通过大量信息做出判断等等。

When to use Machine Learning

• 存在一个模式或者说表现可以让我们对它进行改进提高；

• 规则并不容易那么定义；

• 需要有数据。

Components of Machine Learning

一个机器学习问题，主要由以下几部分构成：

• 输入： x∈X x ∈ X
• 输出： y∈Y y ∈ Y
• 目标函数： f:X→Y f : X → Y
• 数据： D={(x1,y1),(x2,y2)…(xN,yN),} D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) … ( x N , y N ) , }
• 假设： g:X→Y g : X → Y

目标函数 f:X→Y f : X → Y 将输入 X X 映射为输出 Y Y ，我们手头有一组由 f f 生成的数据 D D ，目标就是通过对数据的学习，得到一个假设 g:X→Y g : X → Y ，使得 g g 与 f f 尽量接近。

Learning Flow

以一个更加详细的流程图来说明这一过程：

目标函数 f:X→Y f : X → Y 将输入 X X 映射为输出 Y Y ， X X 与 Y Y 在一起构成了数据 D D ，我们的目标就是通过对数据的学习，得到一个假设 g:X→Y g : X → Y ，使得 g g 与 f f 尽量接近。为此，我们必须选定一个假设空间 H H ，然后使用算法 A A ，选择 H H 里的一个假设作为 g g 。

在这里有几个需要注意的地方：

• 机器学习的输入在这个流程图中就变成了两个部分，一个是训练样本集，而另一个就是假设空间 H H 。
• 我们所说的机器学习模型在这个流程图中也不仅仅是算法 A A ，而且还包含了假设空间 H H 。

上图还是一个相对比较简单的机器学习流程图，在往后的文章中会不断的根据新学的知识继续扩展这幅图的元素。

Machine Learning and Other Fields

• ML VS DM
  两者密不可分：

  1. 两者是一致的
     能够找出的有用信息就是我们要求得的近似目标函数的假设。
  2. 两者是互助的
     能够找出的有用信息就能帮助我们找出近似的假设，反之也可行。
  3. 两者的区别
     传统的数据挖掘更关注与从大量的数据中的计算问题。

• ML VS AI
  机器学习是实现人工智能的一种方式。

• ML VS Statistic

  1. 统计是一种实现机器学习的方法。
  2. 传统的统计学习更关注与数学公式，而非计算本身。