《机器学习基石》学习笔记<1>

When Can Machines Learn?

先放个summary : )

主要框架

1.Course Instruction

2.What is Machine Learning

1>机器学习的概念

机器学习的概念理解

总的来说就是给机器位一些资料，根据资料'学习'，然后会某些技能，这个技能可能是做判断题，选择题……

2>key essence of ML

机器学习的关键本质

当思考一个问题是否适合用机器学习来解决时，可以从3个方面来考虑:

1.存在潜在的模式去学习

（肯定要有学习的可能性）

2.但是呢，现在并没有公式呀之类的去定义它

（都有公式了，为啥作死用机器学习呢:D）

3.世界上现存资料供学习

（无法解决未知领域呢）

3.Applications of ML

everywhere :D

4.Components of ML

1.定义一些符号 x,y,f,D,g

基本符号

x:输入的资料上的点
y:我们希望得到的结果（例如判断题可以得到bad/good）
f:x->y (理想中我们希望找到的公式）
D:data 资料，由(x,y)构成
g:最后学习到的公式
图示：

图示

总的来说，可以理解为我们想要知道f，然后喂给机器D（由x,y构成），希望得到的个g与f越接近越好。
2.学习模型

学习模型

H : 所有可能结果的集合（g只是其中一个h，ML的目标就是要找到最好的h）
A : Algorithm 算法，是判定g是不是best的算法

定义

由上面的基础给出Machine Learning的定义:

use data to compute hypothesis g that approximates target t.

5.ML and other fields

1.ML和数据挖掘

ML和数据挖掘

如果DM要找的特性和ML的h是一样的，那么可以说ML和DM是一样了
如果DM要找的特性与ML的h有关，那么二者是互相帮助的
传统的DM更在意高效的计算

2.ML和人工智能

ML和人工智能

ML是AI的一个分支，是实现AI的一种途径

3.ML和统计学

ML和统计学

统计学可以提供很多工具给机器学习
传统的统计学是建立在数学假设上的推论，并且不太在意计算过程

6.summary

summary

以上:D

注明:以上图片都来自Cousera台大林轩田老师的《机器学习基石》哦 QwQ