机器学习基石1-概述
注：
文章中所有的图片均来自台湾大学林轩田《机器学习基石》课程。
笔记原作者：红色石头
微信公众号：AI有道
一、What is Machine Learning
什么是“学习”？学习就是人类通过观察、积累经验，掌握某项技能或能力。就好像我们从小学习识别字母、认识汉字，就是学习的过程。而机器学习（Machine Learning），顾名思义，就是让机器（计算机）也能向人类一样，通过观察大量的数据和训练，发现事物规律，获得某种分析问题、解决问题的能力。
机器学习可以被定义为：Improving some performance measure with experience computed from data. 也就是机器从数据中总结经验，从数据中找出某种规律或者模型，并用它来解决实际问题。
什么情况下会使用机器学习来解决问题呢？其实，目前机器学习的应用非常广泛，基本上任何场合都能够看到它的身影。其应用场合大致可归纳为三个条件：
- 事物本身存在某种潜在规律
- 某些问题难以使用普通编程解决
- 有大量的数据样本可供使用
二、Applications of Machine Learning
- 衣
Abu-Mostafa, 2012 - 食
Sadilek et al., 2013 - 住
Tsanas and Xifara, 2012 - 行
Stalkamo et al., 2012
机器学习在我们的衣、食、住、行、教育、娱乐等各个方面都有着广泛的应用，我们的生活处处都离不开机器学习。比如，打开购物网站，网站就会给我们自动推荐我们可能会喜欢的商品；电影频道会根据用户的浏览记录和观影记录，向不同用户推荐他们可能喜欢的电影等等，到处都有机器学习的影子。
三、Components of Machine Learning
- 输入\(x\)
- 输出\(y\)
- 目标函数\(f\)，即最接近实际样本分布的规律
- 训练样本data
- 假设hypothesis，一个机器学习模型对应了很多不同的hypothesis，通过演算法A，选择一个最佳的hypothesis对应的函数称为\(g\)，\(g\)能最好地表示事物的内在规律，也是我们最终想要得到的模型表达式。
实际中，机器学习的流程图可以表示为：
对于理想的目标函数\(f\)，我们是不知道的，我们手上拿到的是一些训练样本\(D\)，假设是监督式学习，其中有输入\(x\)，也有输出\(y\)。机器学习的过程，就是根据先验知识选择模型，该模型对应的hypothesis set（用\(\mathcal{H}\)表示），\(\mathcal{H}\)中包含了许多不同的hypothesis，通过演算法A，在训练样本\(D\)上进行训练，选择出一个最好的hypothes，对应的函数表达式\(g\)就是我们最终要求的。一般情况下，\(g\)能最接近目标函数\(f\)，这样，机器学习的整个流程就完成了。
四、Machine Learning and Other Fields
-
Data Mining: while data mining and machine learning do share a huge overlap, they are arguably not equivalent because of difference of focus.
-
AI: machine learning is a route to realize artificial intelligence.
-
Statistics: statistics can be used for data mining.
