机器学习基石（林轩田）第一章 笔记与感悟总结

第一章学习问题 

1.1课程生产 

老师观点：从基础学起不要成为机器学习的奴隶。

1.2什么是机器学习 

 学习是从观察出发，视听嗅觉。

观察 - >学习 - >技能

电脑的观察是资料，然后进行处理变成技能。

什么是技巧？技巧是提高一些性能指标（如预测准确度）

为什么使用机器学习例如图片 - 。树的识别我们要识别树，要写100多条规则，这不现实，我们想要机器自己来学习，自己来总结规则机器透过与环境的互动来提高自己的表现。

授机以鱼不如授机以渔〜

三种关键：

1. 可以提高的目标，能够被机器学习。比如正确率等等规则
2. 不知道如何写下“这些规则”
3. 机器学习需要资料输入

1.3机器学习的应用

食物：资料：推特资料;技能：知道哪一家餐厅好不好

服装：数据：销售数据+客户调查：技能：给顾客推荐时尚衣服

壳体：数据：建筑和能源特征资料;技能：预测这个房子盖好后的耗能，用来给建议

交通：数据：交通资料;技能：无人驾驶

教育：data：在线学生的教学系统; skill：判断学生的掌握程度

娱乐：data：顾客打分数据; skill：预测顾客喜好（推荐系统）

        可能的机器学习模型：

                我们的喜好可以表示一串特征数字。我们的偏好数字与电影的数字点积，最后的数值就知道喜不喜欢。

1.4学习的组成部分

基本的记号：

输入：x（申请人）

输出：y（发卡/不发卡）

不知道的目标函数（目标函数）f：x-> y

训练实例：以前的资料二元组（xi，yi）的集合

假设：我们通过机器学习得到和函数，我们想要^ h尽可能的与˚F相同 !!!!

如图：

假设集H里包括这很多的假设（工作少两年的发卡;欠债10万的发卡），有好有坏。我们机器学习从set中选择一个最好的！（它觉得最好的那个，并不一定会实际最好）

如图

使用数据来计算逼近目标f的假设g！

总结，机器学习就是学习一个函数克，使其尽可能的与实际的规则˚F相近!!!!

1.5机器学习等领域

与数据挖掘的关系。从数据中找到有用的g。机器学习往往和数据挖掘很像，往往不分彼此。

与人工智能的关系.compute something that shows intelligent behavior机器学习是实现人工智能的方法之一。

与统计的关系。统计是实现机器学习的一种方法。传统的统计很多都能用到机器学习中。