台湾大学机器学习基石lecture1小结

最近在学习台湾大学林轩田老师的机器学习基石课程，在lecture1中，老师讲述了when can machine learn?提出了三个判断是否使用机器学习的关键：

1、有更好的输出表现

2、不知道如何写规则（但数据集应该包含规则）

3、最重要的便是要有资料data

针对机器学习在生活中的应用，举一个例子来说，假如我们要写一个movie推荐系统，那么一个可用的pattern可以是：找到data，从data中获取受欢迎的movie特征，例如动作片、喜剧片、爱情片等等，从观众角度来说，可能是该movie中存在观众喜欢的演员或者观众喜欢的bgm等等，这个应该就是特征提取了吧，根据特征构造机器学习模型，来写出movie推荐系统程序。

ML中learning的基本组成部分，有input X output Y target function fhypothesis Hdata(训练集)以及g。

一个一般的机器学习模型如下:

其中，假设集合可能有1个元素，也可能存在无穷多个元素，比如很多个元素的时候，那么学习算法的作用就是从这么多的hypothesis中找出一个使输出表现的最优秀的hypothesis,使g=该hypothesis，并且近似等于目标函数f。

由于第一次写博客，实在生疏，作为自己学习机器学习的脚印吧！

台湾大学机器学习基石lecture1小结相关推荐

机器学习基石 Lecture1: The Learning Problem
机器学习基石 Lecture1: The Learning Problem Course Introduction Course Design What is Machine Learning 定义 ...
台湾大学林轩田机器学习基石课程学习笔记1 -- The Learning Problem
红色石头的个人网站:redstonewill.com 最近在看NTU林轩田的<机器学习基石>课程,个人感觉讲的非常好.整个基石课程分成四个部分: When Can Machine Lear ...
台湾大学林轩田机器学习基石课程学习笔记15 -- Validation
红色石头的个人网站:redstonewill.com 上节课我们主要讲了为了避免overfitting,可以使用regularization方法来解决.在之前的EinEinE_{in}上加上一个reg ...
台湾大学林轩田机器学习基石课程学习笔记14 -- Regularization
红色石头的个人网站:redstonewill.com 上节课我们介绍了过拟合发生的原因:excessive power, stochastic/deterministic noise 和limited ...
台湾大学林轩田机器学习基石课程学习笔记13 -- Hazard of Overfitting
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了非线性分类模型,通过非线性变换,将非线性模型映射到另一个空间,转换为线性模型,再来进行分类,分析了非线性变换可能会使计算复杂度 ...
台湾大学林轩田机器学习基石课程学习笔记12 -- Nonlinear Transformation
红色石头的个人网站:redstonewill.com 上一节课,我们介绍了分类问题的三种线性模型,可以用来解决binary classification和multiclass classificati ...
台湾大学林轩田机器学习基石课程学习笔记11 -- Linear Models for Classification
红色石头的个人网站:redstonewill.com 上一节课,我们介绍了Logistic Regression问题,建立cross-entropy error,并提出使用梯度下降算法gradient ...
台湾大学林轩田机器学习基石课程学习笔记10 -- Logistic Regression
红色石头的个人网站:redstonewill.com 上一节课,我们介绍了Linear Regression线性回归,以及用平方错误来寻找最佳的权重向量w,获得最好的线性预测.本节课将介绍Logist ...
台湾大学林轩田机器学习基石课程学习笔记8 -- Noise and Error
红色石头的个人网站:redstonewill.com 上一节课,我们主要介绍了VC Dimension的概念.如果Hypotheses set的VC Dimension是有限的,且有足够多N的资料,同 ...

台湾大学机器学习基石lecture1小结

台湾大学机器学习基石lecture1小结相关推荐

最新文章

热门文章