写在前面

一直都想入门机器学习，但找不到好的视频学习，自己看书一知半解，难以坚持下去，国庆期间刷B站，无意间点开了这个视频，发现老师讲的很好，通俗易懂，适合入门机器学习，决定跟着林老师入门机器学习，加油！！！!
在这里插入图片描述视频地址：https://www.bilibili.com/video/av12463015?from=search&seid=1316649029654829142
整个基石课程分成四个部分：

When Can Machine Learn?
Why Can Machine Learn?
How Can Machine Learn?
How Can Machine Learn Better?

每个部分由四节课组成，总共有16节课。那么，从这篇开始，我将连续对这门课做课程笔记，共16篇，在巩固自己学习的同时，分享一下学习经历。
下面开始第一节课的笔记：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，掌握某项技能或能力。就好像我们从小学习说话、走路，就是学习的过程。而机器学习（Machine Learning），顾名思义，就是让机器（计算机）也能向人类一样，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。
在这里插入图片描述机器学习还可以定义为：Improving some performance measure with experence computed from data 即：从资料出发，经过电脑的计算之后，最终得到某一种表现的增进。
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

在这里插入图片描述

二、Applications of Machine Learning

在我们的衣、食、住、行、教育、娱乐等各个方面都有着机器学习的身影，可以说机器学习无处不在。比如，打开淘宝时，在首页就会给我们自动推荐我们可能会喜欢的商品；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。
推荐系统

三、Components of Machine Learning

有关机器学习问题应该注意的一些基本的术语：

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对应的函数称为矩g，g能最好地表示事物的内在规律，也是我们最终想要得到的模型表达式。

在这里插入图片描述机器学习的流程：
机器学习流程
对于未知的目标函数f，存在一些训练样本D，假设是监督式学习，其中有输入x，也有输出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），H中包含了许多不同的hypothesis，通过学习算法A，在训练样本D上进行训练，选择出一个最好的hypothes，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，机器学习的整个流程就完成了。