《机器学习基石》第1节课学习笔记

第1节课  The Learning Problem

写在前面：本节课由于是第一节课，属于概述性的知识，比较繁琐，所以整理过程中图片和文字较多，分小节的方式总结了机器学习中的知识点，希望这节课的笔记可以给接下来的学习打下基础。

• 本节课最大的收获是学会了机器学习的流程以及机器学习的三个关键：

        

1.1  Course Introduction

• 本小节主要学习了《机器学习基石》这门课的理念和要学习的东西。

(1)机器学习实际上是一个理论与实物相结合的一门学问（a mixture of theoretical and practical tools)。

(2)从基础切入基础学习，what every machine learning user should know。这门课主要包括以下几个部分： 

每一部分都包含4节课的内容，一定要多用事例去理解理论，掌握好机器学习的知识点。

1.2  What is Machine Learning 

•  本小节主要学习了什么是机器学习，用通俗的事例和语言解释了机器学习。

（1）由什么是学习引申出什么是机器学习

①学习是指由观察出发，经过大脑的转化过程变成有用的技巧、技能，也可以说是接收知识通过学习变成有用的技巧。比如小孩子学说话时，会观察大人说话的样子，咿咿呀呀，从而学会发声、吐字，学会讲话；又比如说看书上的知识，通过大脑的转化，变成自己会的东西。如下图：

②机器学习类似于学习，机器学习在模拟这一过程，由各种资料、数据出发，经过机器（计算机）的转化，变成某一种有用的技能。

（2）什么是所谓的技能技巧

• 技能技巧是指通过学习得到的更好的表现。

所以机器学习可以进一步准确定义为从资料出发，通过机器的学习得到某一种表现的增进（就是变得更好）。

例如股票的例子，通过数据分析进行改进使得股票赚取了更多的收益，这就是我们希望通过机器学习可以做到的事。我的理解就是我们可以通过学习知识从而可以完成某一方面的进步，比如学习知识从而掌握了知识，所以成绩提高了，这是一种变好的表现。所以机器学习也是这样的。

（3）为什么使用机器学习

人类没法靠脑力解决一切问题，所以让机器自己学会分析资料，自己学会怎么做到这些事情。例如以下几种情况需要用到机器学习：

①机器通过学习，与环境互动等达到更好的表现。

②不容易定义出所有规则。

③一些人类没有想过的应用。

④一些网络上的应用。

 

我的理解是机器学习想要做的是“授人以渔而不是鱼”，可以说侧重的是方法而不是现有的东西。

（4）机器学习的三个关键

①要有表现能够增进（化成目标从而通过资料去学习）

②有规则但不知道怎么写下来。

③机器学习一切从资料开始的，所以一定要有Data。

我认为这三个关键很重要。

问题：判断下列的各项适不适合机器学习：

①预测小女孩什么时候哭（没有规则可以预测，所以不适合机器学习）

②判断给定的图里有没有圆圈（有规则但是可以写下来，不需要机器学习）

③银行判断是否给顾客信用卡（银行有过去顾客的资料，以及需要一个很好的公式和算法来判断要不要给顾客信用卡，因此适合机器学习）

④预测未来地球上的核能是否耗尽，地球是否毁灭（人和机器都无法推论，不适合机器学习）

1.3  Applications of Machine Learning 

• 本小节主要学习了机器学习在那些领域有所应用，主要来说就是衣食住行教育和娱乐。

（1）衣食住行

告诉顾客食品中毒的可能性，根据顾客喜好推荐衣服，预测住房周围的能源状况，准确的识别交通标志等。

（2）教育

例如学生需要网上答题，需要预测出题的难易程度，就是判断这道题对于学生来讲能不能答对，这就需要通过学生的对于知识的掌握程度和题目的难易程度来判断学生会不会答对。

（3）娱乐

例如推荐系统，向用户推荐更符合用户喜好的电影，这就需要综合用户过去看过的电影类型，以及对电影的评价，从而判断一个电影是不是用户喜欢看的。

学到这里我联想到的是淘宝里的个性化推荐，比如我买过的一些东西，淘宝根据我买的东西给我推荐了类似的东西，有一个功能是猜我喜欢，特别的人性化。

1.4  Components of Machine Learning

• 本小节学习了机器学习的整个流程，我认为是我看这个视频中最大的收获，能更站在数学，演算公式，分析数据的角度进一步的了解机器学习，我觉得这一部分我需要多带事例去理解消化。可以用银行要不要给用户发信用卡这个例子理解这一流程。

①输入：x

②输出：y

③目标函数：f（未知）x→y

④资料（数据）：D={（x1,y1),(x2,y2)……(xn,yn）}

⑤好的表现函数：g（发卡）：x→y（好好理解g的含义）

所以机器学习的流程可以这样表示：

进一步扩展就是从一堆数据中和所有假设中，通过计算机的转化，得到一个最好的表现个g，这个g和我们要解决的f是最贴近的。（个人理解，可能描述不太准确）。

 

1.5  Machine Learning and Other Fields 

（1）机器学习和数据挖掘领域的比较

结论：两者很难区分。

（2）机器学习和人工智能领域的比较

结论：机器学习是人工智能一种可能的实现途径。

（3）机器学习和统计领域的比较

 

结论：统计是机器学习很有用的工具。