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，掌握一种技能或者能力。机器学习，顾名思义，就是让计算机也能像人类一样，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。

图1

什么是“Skill”？

Skill就是某一种表现的加强

图2

机器学习的定义

机器学习就是从数据中总结经验，从数据中找出规律或者模型，并用它来解决实际问题。
improve some performance measure with experience computed from data

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看到它的身影。对应用场景进行分类如下：
• 事物本身存在目中潜在规律
• 某些问题难以用普通编程解决
• 有大量的数据样本可以供使用

Give a computer a fish, you feed it for a day;
teach it how to fish, you feed it for a lifetime.

二、Application of Machine Learning

机器学习在我们的食、衣、住、行、教育、娱乐等各个方面都有着广发的应用，我们的生活处处都离不开机器学习。比如，打开购物网站，网站就会给我们自动推荐我们可能喜欢的商品；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。

图3

三、Components of Machine Learing

基本术语

• 输入x
• 输出y
• 目标函数f , 就是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于了很多不同的hypothesis，通过演算法A，选择一个最佳的hypothesis对于的函数为G，G能更好的表现出数据的内在关系。

机器学习流程

图4

对于理想的f函数我们是不知道的，我们手上拿到的使一些训练样本D,假设是监督学习，其中有输x,也有输入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表示假设集合)，H中包含了许多不同的hypothesis，通过演算法A，在训练样本D上进行训练，选择出一个最好的hypothesis，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，就完成了整个流程。

四、Machine Learing and Other Fields

• 数据挖掘（Data Mining）   use huge data to find a property that is interesting 
• 人工智能（Artifical Intelligence）compute something that shows intelligent behavior 
• 统计（Statistics）
• 机器学习 （Machine Learning）  use data to compute hypothesis g that approximates target f

机器学习与这三个领域是相通的，但也是不同的。机器学习是这三个领域中的有力工具，同时这三个领域也是机器学习可以广泛运用领域。总体上说，这三个领域没有明确的界限。

五、总结

本章主要学习了什么是机器学习，机器学习的应用场景以及可以解决什么问题。然后，通过流程图的形式展示了机器学习的整个流程。

本文所应用图片来自 Coursea的《Machine Learning Foundation》课程