机器学习基石 Lecture1: The Learning Problem
Course Introduction
Course Design
机器学习是个既包含理论也需要实践的内容。本门课更注重基础理论一点。包含了感性认识，关键理论，核心技术和实际的用途。包括以下内容：
What is Machine Learning
定义
人类学习：通过观察获得经验取得技能。
机器学习：通过数据学得经验获取技能。一个更具体的定义如下：
机器学习通过从数据中获得的经验，从而提高了在某些评估中的表现。比如从过往股票交易的数据中得到一个能够提高投资收益的算法。
为何使用机器学习呢？若需要写一个辨别树的程序。如果想要先定义一棵树，然后根据定义来写一个判断的程序非常困难。而实际上人不是根据定义来识别树而是根据观察（数据）。基于机器学习的树辨别系统比硬编码的方式更加简单。
Key Essence of Machine Learning
- 需要有一些能够学习潜在的模式，从而提高效率
- 但没有一些简单的可直接编程的定义，所以需要ML
- 而且需要有关于这些模式的数据，这是ML需要的输入
有了这几个元素的地方才适合使用机器学习。
Applications of Machine Learning
衣：时装搭配
食：预测饭店是否会导致食物中毒
住：节能减排的能耗安排
行：自动驾驶识别交通指示
育：根据学习记录预测学生成绩
乐：电影或音乐推荐系统
Components of Learning
机器学习里的基础概念：
- 输入x
- 输出y
- 实际的从输入集合到输出集合的映射函数f，无法知道
- 训练数据D，由一个一个输入输出对(x,y)组成
- 对于实际函数f的假设函数g，也就是学到的能够有较好表现的技能。
因此机器学习就是从由 生成的(x,y)数据对中，通过算法 来从所有的假设函数的集合 中学到一个对于实际函数f的估计函数g。
Machine Learning and Other Fields
机器学习：从数据中学习到假设g去逼近目标f
数据挖掘：使用大量数据找到有意义的性质
相比：两个很难区分但是并不相同
人工智能：计算一些能够体现出智能的东西
相比：ML可以看做实现AI的方式
统计学：通过数据对未知过程进行推导
相比：统计学可以看成ML的工具