一、What is Machine Learning(18 min)

从普通人的学习到机器学习：让机器像人类一样，通过观察大量的资料，发现事物规律，获得某种分析问题、解决问题的能力。

从大脑到电脑CPU。
什么是技巧
机器学习的过程是从资料出发，然后经过这个电脑的计算之后最终得到某一种表现的增进。

学习投资理财
Tree Recognition

定义树木
从数据学习
观察树

The Machine Learning Route

人不能系统地去做决定：导航
人类不好去辨识解决方法：视觉演说识别
需要很快做出决定：高频交易
人个性化使用：客户目标市场（推荐系统）

机器学习的三个关键因素

事物本身存在某种潜在规律（比如股市很乱，但是存在某种潜在规则）
某些问题难以使用普通编程解决（有这种规则，但是很那去写下来）
有大量的数据样本可供使用

习题1 选第三个

1.没有规则可以预测
2.很容易写成程式
4.没有数据

二、Applications of Machine Learning（18min）

衣食住行-机器学习改变·生活（逸仙君）

食物：通过twitter的数据来告诉餐厅食物是否有毒
衣服：售卖和用户调研，给出好的时尚搭配衣服
住房：房屋数据和能源消耗，预测房屋耗能
出行：交通标志图像和意义，识别交通准确性

育、乐（凯申公）

教育：学生数学测验分数，预测学生在考试中能答对多少题
ML solution：从大量数据知道学生程度和题目难度

上面这一个题目在kaggle上有比赛，是9m大小的资料。
娱乐：用户对电影评分（推荐系统），预测用户的喜爱电影
Netflix，Yahoo —— KDDcup

ML solution：对其中的一些特征用数字表示，可以把我们的特征和电影特征做内积。KDDcup yahoo

习题2 选择4

三、Components of Machine Learning（11min）

场景应用：银行该给哪些客户发信用卡。

学习问题的形式符号
输入：x∈Xx \in \mathcal{X}x∈X
输出：y∈Yy \in \mathcal{Y}y∈Y
未知模式⇔\Leftrightarrow⇔学习目标函数：f:X→Yf:\mathcal{X} \rightarrow \mathcal{Y}f:X→Y
数据⇔\Leftrightarrow⇔训练样本：D={(x1,y1),(x2,y2),...,(xN.yN)}\mathcal{D} = \{{(x_1,y_1),(x_2,y_2),...,(x_N.y_N)}\}D={(x1,y1),(x2,y2),...,(xN.yN)}
假设⇔\Leftrightarrow⇔技巧：g:X⇔Yg:\mathcal{X}\Leftrightarrow\mathcal{Y}g:X⇔Y

理想公式产生了资料，喂给机器学习演算法，最后得到我们的g，这里我们希望g能接近f。

我们目标的函数f是未知的，希望g能接近f。

机器学习从资料出发，我们要通过机器学习的演算法，算出假说g，最后拟合到h。

习题3 选择2

四、Machine Learning and Other Fields

Data Mining（资料挖矿）中：数据挖掘

主要应用于大量数据
ML=DL 在KDDCup中
DM能帮助ML，同样ML能帮助DM
传统上，DM关注高效处理大量数据

Artifitial Intelligence（人工智慧）中：人工智能
ML能实现AI
机器从数据学习

Statistics（统计）
实现ML的一种方法
传统统计用于数学
习题4 选择3

延伸阅读

預備知識

作業零 (機率統計、線性代數、微分之基本知識)

參考書籍

Learning from Data: A Short Course , Abu-Mostafa, Magdon-Ismail, Lin, 2013.

hw0：

参考

台湾大学林轩田机器学习基石课程学习笔记1 – The Learning Problem
latex参考：LaTex中插入花体字母
MathJax 支持的 Latex 符号总结(各种箭头符号)

[机器学习基石]台大林轩田笔记1 -- The Learning Problem相关推荐

[机器学习基础][台大林轩田]机器学习概念
什么是机器学习什么是"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识别字母.认识汉字,就是学习的过程.而机器学习(Machine Learni ...
【本站原创】台大林轩田《机器学习基石》系列课程教材的习题解答和实现
台湾大学林轩田老师的<机器学习基石>.<机器学习技法>课程由浅入深.内容全面,基本涵盖了机器学习领域的很多方面.其作为机器学习的入门和进阶资料非常适合.本站实现了课程教材的绝大 ...
台大林轩田《机器学习基石》系列课程教材的习题更新完毕了
台湾大学林轩田老师的<机器学习基石>.<机器学习技法>课程由浅入深.内容全面,基本涵盖了机器学习领域的很多方面.其作为机器学习的入门和进阶资料非常适合.本站实现了课程教材的绝大 ...
首发：台大林轩田《机器学习基石》系列课程教材的习题解答和实现
台湾大学林轩田老师的<机器学习基石>.<机器学习技法>课程由浅入深.内容全面,基本涵盖了机器学习领域的很多方面.其作为机器学习的入门和进阶资料非常适合.本站实现了课程教材的绝大 ...
台大林轩田·机器学习基石记要
台大林轩田·机器学习基石记要昨天开始看林轩田的机器学习基石,从今天起开始去粗取精第一讲比较基础,一些概念自己早已经理解了,所以不再做笔记,有点印象的是讲到了ML.DL.AI的一些联系与区别,ML主 ...
台大林轩田·机器学习技法记要
台大林轩田·机器学习技法记要 6/1/2016 7:42:34 PM 第一讲线性SVM 广义的SVM,其实就是二次规划问题把SVM问题对应到二次规划的系数这就是线性SVM,如果想变成非线性,只 ...
台大林轩田机器学习基石学习笔记（一）：The Learning Problem
这里写自定义目录标题写在前面一.What is Machine Learning 二.Applications of Machine Learning 三.Components of Machin ...
台大·林轩田·机器学习基石·第二讲
第二讲···感知机学习算法 2-1 Perceptron hypothesis set 对于银行是否决定要给申请者信用卡问题,对于输入数据(例如申请者的个人信息,年龄,性别,收入,工作情况等)可用一组 ...
台大林轩田《机器学习基石》习题解答和代码实现 | 【你值得拥有】
台湾大学林轩田老师的<机器学习基石>.<机器学习技法>课程由浅入深.内容全面,基本涵盖了机器学习领域的很多方面.其作为机器学习的入门和进阶资料非常适合.本站实现了课程教材的绝大 ...
台大林轩田机器学习技法完全解读
支持向量机(SVM)完全解读集成学习完全解读神经网络深度学习完全解读感谢林轩田老师!

[机器学习基石]台大林轩田笔记1 -- The Learning Problem