林轩田之机器学习课程笔记（when can machines learn之learning problem）（32之1）
欢迎转载，可以关注博客：http://blog.csdn.net/cqy_chen
前言
其实很早就看完了该课程，看了两遍。在实际的运用中，会发现会慢慢的变成调参侠，比如使用比较火热的XGB，深度学习中的GoogLeNet。调一调，用一用。可以了上线。虽然这些算法的原理都是了解的，但总归是缺点什么，想了想，缺少融会贯通的能力，还需要从哲学思维去了解这些算法。从哪里来，到哪里去？故而再温习该课程，顺便加点自己的感想。
注：本笔记没有完全按照该课程，加入了自己的一些理解。
课程简介
课程主要分为4块：
1 ：什么时候机器可以学习
2 ：为什么机器可以学习
3：机器如何学习
4：如何让机器学的更好
共32次课程，台大的校园课程是 15周。一周两次。
什么是机器学习
什么是机器学习？本质上是把人学习的过程交给了机器，那么人是怎么学习的呢？看到一堆数据，然后得到一些经验，所谓吃一堑长一智。而机器学习的话，还需要给一个目标函数，不能乱走，比如反欺诈，那么就是要降低欺诈风险，个性化推荐，需要提高用户的满意度等等。
这里的技能可以看做就是我们的优化目标的手段。机器学习就是机器通过一堆资料的学习，找到相应的模型、算法等等，提高解决问题的能力。
为什么要用机器学习
比如要识别下面的图中的二哈。
你能不能写一段规则程序来分别呢?比如耳朵尖尖的，傻傻的（怎么来区分傻呢？）颜色嘛花花的，这个很难人为的定义一些规则来说这个是二哈。搞不好成了牧羊犬。而人类学习，不是说这个狗的耳朵是尖尖的就是二哈，而是根据自己的学习来的。
我们很难通过显式的去定义一个问题的时候，可能就需要机器学习，让机器自己去学习这些规则
当我们不能人工的方式来编写程序的时候，比如无人驾驶，需要汽车自动根据环境来做出反应
当我们很难简单的定义得到一些结果的时候，比如语言识别，图形图像识别
当需要快速做出反应，而我们无法做到的时候，比如高频交易
当我们需要进行个性化推荐的时候，我们不可能了解每个人，这个时候就要用机器学习
授之以渔而不是授之以鱼，教授给电脑如何钓鱼而不是给电脑鱼
机器学习的三个关键：
1）数据，机器学习是数据驱动的。
2）目标，该问题是有潜在的模式的，机器可以从中可以学到东西。
3）不知道如何显示编程的。
如果存在这三个关键的因素，才会去考虑使用机器学习。
机器学习的应用
机器学习应该说在很多地方都有应用，比如每天用的搜索引擎，点开网页的推荐广告、淘宝首页的个性化推荐、无人驾驶、现在比较热门的视频预测（深度学习的对抗学习）
机器学习在我们的衣食住行育乐方面都有各种各样的应用。
食：比如我们可以通过大众点评、口碑网的排名选择商家吃饭。
衣：个性化的搭配衣服，每个人的体型，爱好不同，需要推荐不同的穿衣搭配。
住：比如房价的预测，房屋耗能预测等
行：无人驾驶，信号灯的识别，行人的识别等等
育：在做练习题的时候，可以根据每个人的能力和题目的难度进行推荐答题。如下就是2010年的kddcup关于教育的一个竞赛题目。
http://www.kdd.org/kdd-cup/view/kdd-cup-2010-student-performance-evaluation
乐：比如电影推荐系统，进行个性化的推荐。如下是雅虎在2011年的比赛，电影的个性化推荐。
http://www.kdd.org/kdd2011/kddcup.shtml
机器学习的构成
先看一个简单的问题：
这个是简单的信用卡申请的资料，我们需要通过这些资料判断要不要给用户发信用卡。
这个问题我们可以分解成：
假设用户的资料是由函数
这里先进行符号的设定
我们的目标就是要使得
总体表达如下：
这里将演算法和模型进行了分开，就是
机器学习和其他领域的关系
数据挖掘：在大量的数据中找到一些数据之间的关系。
机器学习 ：是使用大量的资料去使得
人工智能：AI是通过计算使得机器能够表现出人类的智慧，而机器学习是通往人工智能的一条路，我们的先人们还试过通过知识图谱的方式达到人工智能，貌似不行哇。
统计学习：通过数据进行一些推理，注重的是一些理论，而不是实践。当然统计学习为机器学习提供很多实用的工具。
机器学习和数据挖掘
机器学习和人工智能
机器学习和统计学习
欢迎转载，可以关注博客：http://blog.csdn.net/cqy_chen
————————–done—————————————–