【笔记】机器学习基石(一) the learning problem

本文探讨了机器学习的基本概念,解释了何时及为何使用机器学习,并通过树识别例子展示了其工作原理。文章列举了机器学习适用于无法明确编程、规则复杂、快速决策和个性化需求的场景,并详细阐述了机器学习在推荐系统中的应用,以及如何用输入x和输出y表示学习问题。此外,还介绍了机器学习算法与假设集的关系及其与其他学科的联系。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

机器学习 ----use data to approximate target 

1、学习与机器学习的关系
observations-->Learning-->skill    学习:从观察出发
data-->Machine Learning-->skill   机器学习:处理数据
skill:增进某一种表现

2、三个问题:when 什么时候使用机器学习? why 为什么使用机器学习? how 怎样使用机器学习?


3、example: tree recognition 辨别树的例子

ML: an alternative route to build complicated systems:机器学习是建立复杂系统的一个途径
/1/ exists some 'underlying pattern' to be learned 有一个目标
/2/ no programmable (easy) definition 描述"规则"有一定的困难
/3/ there is data about the pattern 有资料


4、一些应用场景

/1/不能由人设计的程序

/2/不能明确定义规则的

/3/人不能做的,需要迅速做决定的领域

/4/面向大量用户群体的,用户个性化的应用



5、机器学习在衣食住行中的应用



6、由机器学习实现的推荐系统

每个人和每部电影都有它相应的特征,首先确定电影的特征,然后用户根据自己的特征选择相匹配的电影。



7、机器学习的常用符号

输入x,输出y

目标函数f的形式未知,可以被学习

数据资料data:训练样本

g代表得到的一个函数(因为我们不一定能够学习到目标函数f)

hypothesis:能得到好结果的skill


所以可以用下式表示

从资料{x,y}出发,得到g,资料来自我们想学但是学不到的f。



左上角

理想公式产生资料(来自我们不知道的目标函数f)

中间

D:data资料

A:机器学习算法(有两个输入D和H)

性能的增进(skill)最终得到的g应该与f越接近越好

下层

H:hypothesis的集合(有好有坏)




8、机器学习与其他学科的关系

/1/machine learning机器学习 and data mining资料探勘-->KDD cup 
    ML可与资料探勘互通 not totally the same

/2/machine learning and artificial intelligence 人工智能  
    ML是实现人工智能的一种方法

/3/machine learning and statistics 统计学
    统计学是实现ML的一种方法 a useful tools 




评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值