【機器學習】林軒田《機器學習基石》課程學習筆記：第1章 - The Learning Problem

專欄【機器學習】

【機器學習】林軒田《機器學習基石》課程學習筆記 總目錄

• https://blog.csdn.net/TeFuirnever/article/details/98482776

——————————————————————————————————————————————————————

一、What is Machine Learning

Course Design

主要是四個方面：

• when
• why
• how
• better
  

From Learning to Machine Learning

• 學習：通過觀察積累經驗獲得技能

• 機器學習：根據數據積累/計算經驗獲得技能
  

A More Concrete Definition

Yet Another Application: Tree Recognition

“定義”樹和手工編程識別一個樹，這是相當困難的。

• 從數據（觀察）中學習並認識到：一個3歲的孩子可以這樣做。
• “基於ML的樹識別系統”比手工編程系統更容易構建。

Key Essence of Machine Learning

什麼情況下使用ML來解決問題呢？三種情況：

• 事物本身存在某種潛在規律
• 某些問題難以使用普通編程解決
• 有大量的數據樣本可供使用

二、Applications of Machine Learning

Daily Needs: Food, Clothing, Housing, Transportation

ML在很多方面都有着應用，比如衣、食、住、行，簡單總結爲ML is everywhere!

• 1、食品（Sadilek等人，2013）
  • 數據：Twitter數據（字+位置）
  • 技能：正確地告訴食物中毒的可能性或餐館
• 2、服裝（阿布-莫斯塔法，2012）
  • 數據：銷售數字+客戶調查
  • 技能：向客戶提供良好的時尚建議
• 3、住房（Tsanas和Xifara，2012年）
  • 數據：建築物特徵及其能量負荷
  • 技能：密切預測其他建築的能源負荷
• 4、交通運輸（Stallkamp等人，2012年）
  • 數據：一些交通標誌圖像和含義
  • 技能：準確識別交通標誌
    

Education

ML在教育方面也有應用。

• 數據：學生關於數學輔導系統測驗的記錄
• 技能：預測學生是否可以對另一個測驗問題給出正確的答案
  

Entertainment: Recommender System

ML在娛樂方面也有應用。

• 數據：有多少用戶對某些電影進行了評級
• 技能：預測用戶對未分級電影的評價
  
  從而引發了一個具體的ML方向：推薦系統。
  

三、Components of Machine Learning

Formalize the Learning Problem

基本術語：

• 輸入x
• 輸出y
• 目標函數f
• 訓練樣本D
• 假設g
  
  

Learning Flow for Credit Approval

• 目標f未知（即無可編程定義）
• 假設$g \approx f$，但可能不同於（未知時“不可能”完美）
  

The Learning Model

Practical Definition of Machine Learning

對於理想的目標函數f，我們是不知道的，手上拿到的是一些訓練樣本D，假設是監督式學習，其中有輸入x，也有輸出y。

機器學習的過程，就是根據先驗知識選擇模型，該模型對應的hypothesis set（用H表示），H中包含了許多不同的hypothesis，通過演算法A，在訓練樣本D上進行訓練，選擇出一個最好的hypothes，對應的函數表達式g就是我們最終要求的。一般情況下，g能最接近目標函數f，這樣，機器學習的整個流程就完成了。

四、Machine Learning and Other Fields

Machine Learning and Data Mining

Machine Learning and Artificial Intelligence

Machine Learning and Statistics

五、Summary