机器学习基石(1)--The Learning Problem

机器学习的基石课程可以分成四个大的步骤：

1. 什么时候可以使用机器学习？

2. 为什么机器学习可以有效果？

3. 机器学习是一个怎样的过程？

4. 机器学习怎么样才能学得更好？

 

From Learning to Machine Learning

仿照人类进行学习和认知的过程，机器进行学习的过程也非常的类似：

人类通过观察事物，进行归纳总结，进而获得学习的结果；

机器也是一样，输入的数据对应人类的观察，归纳和总结的过程就是机器经过演算法进行运算的过程，而得出的结果就是我们通过模型得出的结果。

而只有学习的过程是不够的，我们还必须要对学习的成果进行检验，也就是我们的performance得有提高才行，不然的话机器学习也没有什么意义了。

所以，机器学习还得有个improving some performace measure.

而什么时候需要用到机器学习呢？课程中给出了几个状况和例子。所谓授人以鱼不如授人以渔，机器学习就是在教人渔的一个过程；而当我们面对十分确定的事情的时候，对于我们想要告诉机器一个认知或者定义，直接编程就好了，我们可以很清楚的规定好条条框框让程序在那里跑就可以了，这就是授人以鱼的事情，是程序员们的工作而不是机器学习工程师的工作。

 

Learning Flow

这个learning flow贯穿了全部的基石课程，后面又会逐渐往里面加入一些新的东西。随着课程的进行，我也会不断地更新这个流程图。

ƒ是在真实的世界运行的规则，这个规则我们肯定永远也不会知道。

training examples就是我们给机器输入进去的data，hypothesis set是我们提出的一些靠谱或者不靠谱的假设，需要进过data进行验证才行。

g是我们结合输入的数据和一些假设得出的，基于现有的数据还算可以的一个最终的假设，我们希望这个最终的假设能无限的接近在真实世界中发生的规律。当无限接近的时候，我们的机器学习才算是成功的。

 

总结：