台大林轩田机器学习基石学习笔记（一）：The Learning Problem

这里写自定义目录标题

写在前面一、What is Machine Learning二、Applications of Machine Learning三、Components of Machine Learning四、Machine Learning and Other Fields五、总结

写在前面

一直都想入门机器学习，但找不到好的视频学习，自己看书一知半解，难以坚持下去，国庆期间刷B站，无意间点开了这个视频，发现老师讲的很好，通俗易懂，适合入门机器学习，决定跟着林老师入门机器学习，加油！！！!

视频地址：/video/av12463015?from=search&seid=1316649029654829142

整个基石课程分成四个部分：

When Can Machine Learn?Why Can Machine Learn?How Can Machine Learn?How Can Machine Learn Better?

每个部分由四节课组成，总共有16节课。那么，从这篇开始，我将连续对这门课做课程笔记，共16篇，在巩固自己学习的同时，分享一下学习经历。

下面开始第一节课的笔记：The Learning Problem。

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说话、走路，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。

机器学习还可以定义为：Improving some performance measure with experence computed from data即：从资料出发，经过电脑的计算之后，最终得到某一种表现的增进。

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

在我们的衣、食、住、行、教育、娱乐等各个方面都有着机器学习的身影，可以说机器学习无处不在。比如，打开淘宝时，在首页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

有关机器学习问题应该注意的一些基本的术语：

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对应的函数称为矩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。

机器学习的流程：

对于未知的目标函数f，存在一些训练样本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H表示），H中包含了许多不同的hypothesis，通过学习算法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。

机器学习更具体的定义：