林轩田机器学习基石课程个人笔记 - 第一讲

之前看过课程的一部分，后面就去看吴恩达的机器学习课了，又因为琐事忘记了完成这门课的学习，趁着放假想着在过年前把这两门课学习完，同时做一个总结，算是对本学期学习的一个收官吧。话不多话，动起来！

---

课程简介如下：

机器学习是一门包含多学科、多领域的理论知识的一个方向，同样也有很多的实践的工具可供选择。通常可以通过不同的导向去学习相关的知识，：

• 理论导向：通过坚实的理论基础去深入地理解我们研究的万事万物，但是由于理论晦涩难懂，对于普通的使用者来说并不友好
• 技术导向：广泛的去了解已有的各种好的技术，但是由于可供我们使用的技术太多了，普通用户很难从中选择一个适配实际应用场景
  

所以我们选择的学习导向是：Foundation oriented！而这也呼应了《机器学习基石》中基石这两个字。既然我们无法直接深入的理解背后晦涩的数学理论，又不具备足够的经验来方便的选择合适的技术，那么了解它背后所需的基础知识，并通过一种循序渐进的方式进行学习就成为了一个优秀的选择

本门将通过以下的四个方面来学习有关机器学习的相关内容，逐步学习直到融会贯通。

在进行具体的机器学习之前，我们首先了解一下我们通俗意义上的学习是什么？我们所说的学习可以认为是人通过观察和经验的不断积累来获得一些技巧。

推广到机器学习，过程是类似的，不同之处在于实施这些动作的主体是计算机。机器学习希望计算机可以从数据中通过计算积累的经验来学习到某些技巧，而由于计算机并没有自主意识，因此真正到达这个目的地是很困难的。

那什么是所谓的技巧呢？这里所说的技巧指能帮助提高某些表现的手段或经验，例如在图像（文本）分类问题中，我们所学到的技巧就是能够区分不同类事物之间差异的能力。

所以机器学习也形式化的表述为如下的形式：

机器学习有广泛的应用场景，例如：

• 通过往年的股票数据来预测股市的走向，从而获得更多的投资收益
• 通过寻来你模型来识别不同类别的物体，比如人脸识别系统
• ……

因此我们可以说，机器学习就是建立复杂的计算系统的一种有效方法。

下面列出了一些人无法解决的一些痛点情况：

• 某些情况下人类无法手动编写一些程序时
• 人类无法轻松的解决某些问题时
• 需要快速决策时
• 需要在大规模用户导向性的应用中

当然机器学习可以应用在生活生产的很多方面，只要我们选择了合适的方法，就能很好的解决一些问题。

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

因此在使用机器学习之前，我们一定要明白能否使用它！

日常生活中我们其实都是机器学习红利的受益者，可能在衣食住行的某个方面就有它的影子。

因此，毫无夸的说：在21世纪的今天，机器学习无所不在！

机器学习理论学习中所涉及的一些数学符号：

• 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$g$，$g$能最好地表示事物的内在规律，即我们最终想要得到的模型表达式
  

总的来说，我们就是希望从输入数据中找到一个目标$g$，使其接近于真实的$f$，即数据间的某种映射规则或是数据所满足的某种分布。而$f$是我们并不知道，我们要做的是在所作的许多的假设中，使用我们的学习算法来找到一个最好的假设$g$，使它最接近于$f$。

因此，机器学习的流程图我们可以归结如下:

机器学习不是一个单独的方向，与其相关的领域是很多的，比如数据挖掘、人工智能、统计分析等等。不同的领域侧重的东西可能不同，但基本思想和方法是相通的。

• 机器学习与数据挖掘
  
• 机器学习和人工智能
  
• 机器学习和统计分析
  

---

总结