2. 程式人生 > >機器學習基石 Lecture1: The Learning Problem

機器學習基石 Lecture1: The Learning Problem

阿新 • • 發佈：2018-11-11

機器學習基石 Lecture1: The Learning Problem

Course Introduction

Course Design

機器學習是個既包含理論也需要實踐的內容。本門課更注重基礎理論一點。包含了感性認識，關鍵理論，核心技術和實際的用途。包括以下內容：
在這裡插入圖片描述

What is Machine Learning

定義

人類學習：通過觀察獲得經驗取得技能。
機器學習：通過資料學得經驗獲取技能。一個更具體的定義如下：
在這裡插入圖片描述
機器學習通過從資料中獲得的經驗，從而提高了在某些評估中的表現。比如從過往股票交易的資料中得到一個能夠提高投資收益的演算法。

為何使用機器學習呢？若需要寫一個辨別樹的程式。如果想要先定義一棵樹，然後根據定義來寫一個判斷的程式非常困難。而實際上人不是根據定義來識別樹而是根據觀察（資料）。基於機器學習的樹辨別系統比硬編碼的方式更加簡單。

Key Essence of Machine Learning

  1. 需要有一些能夠學習潛在的模式，從而提高效率
  2. 但沒有一些簡單的可直接程式設計的定義，所以需要ML
  3. 而且需要有關於這些模式的資料，這是ML需要的輸入

有了這幾個元素的地方才適合使用機器學習。

Applications of Machine Learning

衣：時裝搭配
食：預測飯店是否會導致食物中毒
住：節能減排的能耗安排
行：自動駕駛識別交通指示
育：根據學習記錄預測學生成績
樂：電影或音樂推薦系統

Components of Learning

在這裡插入圖片描述
在這裡插入圖片描述
機器學習裡的基礎概念：

  • 輸入x
  • 輸出y
  • 實際的從輸入集合到輸出集合的對映函式f，無法知道
  • 訓練資料D，由一個一個輸入輸出對(x,y)組成
  • 對於實際函式f的假設函式g，也就是學到的能夠有較好表現的技能。

因此機器學習就是從由 f f 生成的(x,y)資料對中，通過演算法 A A 來從所有的假設函式的集合 H H 中學到一個對於實際函式f的估計函式g。

Machine Learning and Other Fields

機器學習：從資料中學習到假設g去逼近目標f

資料探勘：使用大量資料找到有意義的性質
相比：兩個很難區分但是並不相同

人工智慧：計算一些能夠體現出智慧的東西
相比：ML可以看做實現AI的方式

統計學：通過資料對未知過程進行推導
相比：統計學可以看成ML的工具

相關推薦

機器學習基石 Lecture1: The Learning Problem

機器學習基石 Lecture1: The Learning Problem Course Introduction Course Design What is Machine Learning 定義

[筆記]機器學習基石 01 The Learning Problem

component lds contain 英文 build ems avi -- why 本筆記是從onenote寫的，然後導成word發布在這裏。自己記的相對隨意，沒有多花時間編輯因此也有內容重點不很突出、中英文混雜等的缺點，請見諒。 一 Course Intro

臺灣大學林軒田機器學習基石課程學習筆記1 -- The Learning Problem

最近在看NTU林軒田的《機器學習基石》課程，個人感覺講的非常好。整個基石課程分成四個部分： When Can Machine Learn? Why Can Machine Learn? How Can Machine Learn? How Can M

機器學習基石 Lecture7: The VC Dimension

機器學習基石 Lecture7: The VC Dimension Definition of VC Dimension VC Dimension of Perceptrons Physical Intuition of VC Dimensio

機器學習基石 Lecture16: Three Learning Foundations

機器學習基石 Lecture16: Three Learning Foundations Occam's Razor Sampling Bias Data Snooping Power of Three Occ

機器學習基石 機器學習基石（Machine Learning Foundations） 作業1 習題解答

        大家好，我是Mac Jiang,今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作業1的習題解答。筆者是在學習了Ng的Machine Learning之後開始學習這門課程的，但還是感覺收穫頗豐

林軒田機器學習基石（Machine Learning Foundation）

第一課 機器學習問題 什麼是機器學習？ 什麼是“學習”？學習就是人類通過觀察、積累經驗，掌握某項技能或能力。就好像我們從小學習識別字母、認識漢字，就是學習的過程。而機器學習（Machine Learning），顧名思義，就是讓機器（計算機）也能向人類一樣，通過觀察大量

機器學習基石筆記：01 The Learning Problem

什麼時候適合用機器學習演算法？ 存在某種規則／模式，能夠使效能提升，比如準確率； 這種規則難以程式化定義，人難以給出準確定義； 存在能夠反映這種規則的資料。 所以，機器學習就是設計演算法\(A\)，從包含許多假設的假設集合\(H\)裡，根據所給的資料集\(D\)，選出和實際規則\(f\)

機器學習基石筆記-Lecture 4 Learning is possible

odi ima ffd containe 概率 count lin comm learning hoeffding 不等式 說明了在樣本量足夠大時，抽樣估計能夠接近真實值。 類比到ml中，對給定的一個假設空間中的h, 它在整個樣本空間中的表現可以由在部分樣本點上的表現來

機器學習基石筆記-Lecture 3 Types of learning

mage 針對 也有 tac nts 反饋 機器學習 ear odi 介紹了機器學習中的幾類問題劃分。 半監督學習能夠避免標記成本昂貴的問題。 強化學習，可以看做是從反饋機制中來學習。 在線學習，數據一個接一個地產生並交給算法模型線上叠代。 主動學習，機器能

[筆記]機器學習基石 02 Learning to Answer Yes-No

一個 mage 轉置 ant 好的 mar too 也有 裏的 一 Perception Hypothesis Set 1 A Simple Hypothesis Set: the ‘Perceptron‘ 本節還是使用銀行發信用卡的例子，銀行掌握用戶的年

機器學習基石 Lecture4: Feasibility of Learning

機器學習基石 Lecture4: Feasibility of Learning Learning is Impossible? Probability to the Rescue Connection to Learning Conn

機器學習基石 Lecture3: Types of Learning

機器學習基石 Lecture3: Types of Learning Learning with Different Output Space $Y$ Binary Classification Multiclass Classi

機器學習基石 Lecture2: Learning to Answer Yes/No

機器學習基石 Lecture2: Learning to Answer Yes/No Perceptron Hypothesis Set Perceptron Learning Algorithm Garrantee of PLA No

機器學習基石(Machine Learning Foundations) 機器學習基石 作業四 課後習題解答

   大家好，我是Mac Jiang,今天和大家分享coursera-NTU-機器學習基石(Machine Learning Foundations)-作業四的習題解答。筆者在做這些題目時遇到很多困難，當我在網上尋找答案時卻找不到，而林老師又不提供答案，所以我就想把自己做題

機器學習基石(Machine Learning Foundations) 機器學習基石 課後習題連結彙總

        大家好，我是Mac Jiang,很高興您能在百忙之中閱讀我的部落格！這個專題我主要講的是Coursera-臺灣大學-機器學習基石(Machine Learning Foundations)的課後習題解答。筆者是在學習了Ng的Machine Learning之

機器學習基石(Machine Learning Foundations) 機器學習基石 作業三 Q13-15 C++實現

        大家好，我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石（Machine Learning Foundations）-作業三 Q6-10的C++實現。雖然有很多大神已經在很多部落格中給出了Phython的實現，但是給出C++實現的

機器學習基石(Machine Learning Foundations) 機器學習基石 手寫版筆記大全

      大家好，我是Mac Jiang。看到大家對我的部落格的支援，非常感動。今天和大家分享的是我在學習機器學習基石時的手寫筆記。當時在學習的時候，我把一些我認為重要的東西寫了下來，一來是為了加深印象，二來是為了供以後複習之用。         網上的機器學習基石筆記也

機器學習基石 (Machine Learning Foundations) 作業1 Q15-17的C++實現

大家好，我是Mac Jiang。今天和大家分享Coursera-臺灣大學-機器學習基石 (Machine Learning Foundations) -作業1的Q15-17題的C++實現。這部分作業的任務主要是寫一個PLA分類器，用於解決一個4維資料的分類問題。

機器學習基石筆記：04 Feasibility of Learning

機器學習是設計演算法\(A\)，在假設集合\(H\)裡，根據給定資料集\(D\)，選出與實際模式\(f\)最為相近的假設\(g\)（\(g\)可能與\(f\)相同，也可能不同）。 那什麼情況下學習是可行的？即保證\(g\)和\(f\)是相似的。 資料集內的表現\(g\)約等於\(f\);