Lecture 1: The Learning Problem

前言

机器学习：理论与实践相结合的学问
基础导向：哲学解释，关键理论，核心技术，实践应用...

1.什么是机器学习

人类学习的方式：观察 -> 学习 -> 技巧
机器学习的方式：data -> ML ->skill

什么是技巧？
技巧 <=> 某种性能或者表现的提高（比如预测的精确度）
ML learning：
data -> ML -> improve performance measure （三个关键）
an alternative route to build complicated systems （机器自己去分析数据）

使用机器学习的三个关键：

• 存在一些可被学习的潜在模式 （performance measure can be improved）
• 不知道如何定义这些规则 （ML）
• 有数据 （data）

2.机器学习的应用

机器学习在衣食住行上的应用：
衣：推荐搭配
食：预测在某家餐厅食物中毒的概率
住：预测房屋的耗能状况
行：无人驾驶

在教育上的应用：
data：线上测试答题的系统，历史答题记录
skill：预测学生是否能答对题目
ML solution：
学习出学生的等级 题目的等级 来进行预测

在娱乐上的应用：
推荐系统
ML solution：
user描述为一个特征向量
movie也描述为一个特征向量
user和movie做內积（简单的计算）
user-movie 对应一个 rating
通过rating 反推回去 学习到user和movie的特征向量
学习好所有user和movie的特征向量后
预测user没有看过的movie的rating

3.机器学习的组成

机器学习的模型 = 算法（\(A\)） + 假设空间 (\(H\))

4.机器学习及其他领域

ML和DM
机器学习：利用数据计算出近似于目标 \(f\) 的 假设 \(g\)
数据挖掘：利用大数据找出对有用或者有趣的性质

if “有用的性质” same as “近似于目标 \(f\) 的 假设 \(g\)”:
DM = ML
if “有用的性质” related to “近似于目标 \(f\) 的 假设 \(g\)”:
DM 互相帮助 ML
传统的DM在大数据集上能进行有效的计算

DM和ML密不可分

ML和AI
人工智能：compute something that shows intelligent behavior
ML是实现AI的一种方式

ML和Statistics
统计：利用数据推断出未知的过程
统计能被应用于实现ML

Summary