接觸機器學習一年多，並沒有真正的理解其中的原理，突然決定從頭開始，做一些簡單的記錄督促自己學習。關注了一個博主，因為他寫的太好了，簡潔兒深刻結構清晰，從中學習很多，大部分內容從中摘抄，學習內容總結方式邏輯結構，感激博主分享https://blog.csdn.net/sjz_hahalala479

Lecture 1 The Learning Problem

1.1 What is Machine Learning 什麼是機器學習？

        以人為類比說明通過觀察獲取經驗模式，再把模式套到新的事物上；機器學習同樣也是，從資料中獲取經驗技巧，再利用經驗技巧解決未知問題。

機器學習適用於場景：

• 當人類不能手動地構建一個系統或者簡單地定義一個“解決方法”時
• 當需要快速的決策，但是人類的決策速度無法實現時
• 當需要為數量很多的使用者進行使用者精準的服務時

總結：有些場景過於複雜（人類無法準確地定義），當場景又是有規律可循；或者當場景過於龐大，人類腦力無法計算完成。

1.2 Application Of Machine Learning 機器學習的應用

耗能預測、無人駕駛、推薦系統、線上教學系統

KDDCup 林老師還是蠻牛的，連續參加5年，都取得不錯的成績，哈哈哈哈，感激，好好學習。

1.3 Components Of Learning 學習的構件

       輸入x,輸出y，存在一個理想化函式把x,y對應起來，目標函式f

       而機器學習是近似模式，或者是一種假說hypothesis，稱機器學習學習到的假設函式為g，機器學習的目標是使g越來越接近於f。D代表訓練資料集。D={（x1,y1）,(x2,y2),.....,(xn,yn)}，共n個樣本。

             H稱為假設函式集，包含了好與不好的各種h（假設），如下圖所示，

• 其中機器學習演算法用A表示
• 假設空間或者叫做假設集合一般用H表示，它是包含各種各樣的假設，其中包括好的假設和壞的假設，演算法A從H這個集合中挑選出它認為最好的假設作為g