什麼是學(xué)習(xí)燃乍？
學(xué)習(xí)是一種觀察卖局。
觀察->學(xué)習(xí)->技能主巍。
_ 機器學(xué)習(xí)即是人類通過電腦來模擬學(xué)習(xí)的一種過程_
在電腦的學(xué)習(xí)上是由：
- data -> ML -> skill
什麼是skill酱畅？
增加某種表現(xiàn)的方法则拷。
機器學(xué)習(xí)的過程是是從資料出發(fā)，經(jīng)過電腦計算甩牺，最終得到某種表現(xiàn)得增強蘑志。
適合機器學(xué)習(xí)的三個關(guān)鍵：
要有能夠增進的表現(xiàn)，有一些可以學(xué)習(xí)的潛藏模式贬派。
有一定的規(guī)則急但，可是不知道如何描述。
要有可以學(xué)習(xí)的資料搞乏。
機器學(xué)習(xí)最重要的是得到一個 target function -> f
- （未知）f : X -> Y ( X 是 input波桩，Y 是 output )
- data => training examples D = { (x1,y1)``` }
- hypothesis => skill G : X -> Y
(x,y) from f => ML => G
最佳結(jié)果是 G 無限趨近 F
G 是從所有的 （hypothesis set） H 中取最好的。
從資料出發(fā)请敦，機器學(xué)習(xí)演算法找到 G镐躲，這個
G 無限接近我們要的 function F
從100萬筆（（用戶储玫，歌曲），評分）的資料出發(fā)萤皂，產(chǎn)生出所有可能的（用戶-》歌曲）的可能關(guān)係撒穷，選出最合適的公式 g，給入 input 敌蚜，得到在這個 g 之下桥滨，用戶 => 歌曲的[ 0窝爪，100 ]的評分弛车。
Machine Learning VS Data Mining 資料探索
如果今天是直接希望找出一個 input =》output結(jié)果的話， ML 和 DM 類似蒲每，目標(biāo)一致纷跛。
因而在有些時候可以通過 DM 找到的性質(zhì)，進一步幫助 ML 來找到更合適的 g 邀杏。
然而在 DM 的一些情況下贫奠，并不是單純找出一個 g 來預(yù)測，而是希望能找到對使用者有幫助的一些性質(zhì)望蜡，這就與 ML 所預(yù)期的是不一樣的唤崭。
Machine Learning VS Artificial Intelligence
- 儅今天我們得出一個 g 是爲(wèi)了進一步預(yù)測某些行爲(wèi)的時候，ML 是實現(xiàn) AI 的一種方法脖律。
Machine Learning VS Statistics
統(tǒng)計是實現(xiàn)機器學(xué)習(xí)的一種方法谢肾。
- 統(tǒng)計使用資料來進行一些推論，推論一個未知的東西小泉。
- 例如統(tǒng)計出丟硬幣正反面的可能性是多少芦疏。
- 可以假設(shè)我們希望得到的 g 是一個推論的結(jié)果。因此可以理解為微姊，統(tǒng)計是實現(xiàn)機器學(xué)習(xí)的一種方法酸茴。f 是我們想得到的結(jié)果，g 是我們推論的結(jié)論兢交。
學(xué)習(xí)視頻：[機器學(xué)習(xí)基石（1~5）]
