听课笔记(第一讲):台湾国立大学的《机器学习基石》(Coursera 版)
2017-09-16 20:16
239 查看
版权归作者所有,任何形式转载请联系作者。
作者:马孔多(来自豆瓣)
来源:https://www.douban.com/note/319636155/
一,什么事机器学习?
使用Machine Learning 方法的关键:
1, 存在有待学习的“隐含模式”
2, 该模式不容易准确定义(直接通过程序实现)
3, 存在关于该模式的足够数据
这里的f 表示理想的方案,g 表示我们求解的用来预测的假设。H 是假设空间。
通过算法A, 在假设空间中选择最好的假设作为g。
选择标准是 g 近似于 f。
上图增加了"unknown target function f: x->y“, 表示我们认为训练数据D 潜在地是由理想方案f 生成的。
机器学习就是通过DATA 来求解近似于f 的假设g。
二, 机器学习与数据挖掘、人工智能、统计学的关系
1, Machine Learning vs. Data Mining
数据挖掘是利用(大量的)数据来发现有趣的性质。
1.1 如果这里的”有趣的性质“刚好和我们要求解的假设相同,那么ML=DM。
1.2 如果”有趣的性质“和我们要求的假设相关,那么数据挖掘能够帮助机器学习的任务,反过来,机器学习也有可能帮助挖掘(不一定)。
1.3 传统的数据挖掘关注如果在大规模数据(数据库)上的运算效率。
目前来看,机器学习和数据挖掘重叠越来越多,通常难以分开。
2, Machine Learning vs. Artificial Intelligence(AI)
人工智能是解决(运算)一些展现人的智能行为的任务。
2.1 机器学习通常能帮助实现AI。
2.2 AI 不一定通过ML 实现。
例如电脑下棋,可以通过传统的game tree 实现AI 程序;也可以通过机器学习方法(从大量历史下棋数据中学习)来实现。
3,Machine Learning vs. Statistics
统计学:利用数据来做一些位置过程的推断(推理)。
3.1 统计学可以帮助实现ML。
3.2 传统统计学更多关注数学假设的证明,不那么关心运算。
统计学为ML 提供很多方法/工具(tools)。
作者:马孔多(来自豆瓣)
来源:https://www.douban.com/note/319636155/
一,什么事机器学习?
使用Machine Learning 方法的关键:
1, 存在有待学习的“隐含模式”
2, 该模式不容易准确定义(直接通过程序实现)
3, 存在关于该模式的足够数据
这里的f 表示理想的方案,g 表示我们求解的用来预测的假设。H 是假设空间。
通过算法A, 在假设空间中选择最好的假设作为g。
选择标准是 g 近似于 f。
上图增加了"unknown target function f: x->y“, 表示我们认为训练数据D 潜在地是由理想方案f 生成的。
机器学习就是通过DATA 来求解近似于f 的假设g。
二, 机器学习与数据挖掘、人工智能、统计学的关系
1, Machine Learning vs. Data Mining
数据挖掘是利用(大量的)数据来发现有趣的性质。
1.1 如果这里的”有趣的性质“刚好和我们要求解的假设相同,那么ML=DM。
1.2 如果”有趣的性质“和我们要求的假设相关,那么数据挖掘能够帮助机器学习的任务,反过来,机器学习也有可能帮助挖掘(不一定)。
1.3 传统的数据挖掘关注如果在大规模数据(数据库)上的运算效率。
目前来看,机器学习和数据挖掘重叠越来越多,通常难以分开。
2, Machine Learning vs. Artificial Intelligence(AI)
人工智能是解决(运算)一些展现人的智能行为的任务。
2.1 机器学习通常能帮助实现AI。
2.2 AI 不一定通过ML 实现。
例如电脑下棋,可以通过传统的game tree 实现AI 程序;也可以通过机器学习方法(从大量历史下棋数据中学习)来实现。
3,Machine Learning vs. Statistics
统计学:利用数据来做一些位置过程的推断(推理)。
3.1 统计学可以帮助实现ML。
3.2 传统统计学更多关注数学假设的证明,不那么关心运算。
统计学为ML 提供很多方法/工具(tools)。
相关文章推荐
- 听课笔记(第二讲): Perceptron-感知机 (台湾国立大学机器学习基石)
- 听课笔记(第五讲): 学习的可行性分析(一些概念和思想) (台湾国立大学机器学习基石)
- 听课笔记(第四讲):学习的可行性分析 (台湾国立大学机器学习基石)
- 听课笔记(第三讲): 机器学习的分类学 (台湾国立大学机器学习基石)
- 台湾国立大学机器学习基石.听课笔记(第五讲): 训练和测试有什么不同
- 台湾国立大学机器学习基石.听课笔记(第十四讲):Regularization
- 台大机器学习听课笔记---基石 9-1 Linear Regression
- 台湾国立大学机器学习基石.听课笔记(第十六讲二):Three Learning Principle
- 台湾国立大学机器学习基石.听课笔记(第六讲): 一般化(举一反三)的理论
- 台湾国立大学的《机器学习基石》第一讲 笔记
- 台湾国立大学机器学习基石.听课笔记(第三讲): 机器学习的分类
- 台湾国立大学机器学习基石.听课笔记(第四讲): 机器学习的可行性
- 听课笔记(第二讲): Perceptron-感知机 (台湾国立大学机器学习基石)
- 台湾国立大学机器学习基石.听课笔记(第九讲):Linear Regression
- 台湾国立大学机器学习基石.听课笔记(第十三讲):harzard of overfitting
- 台湾国立大学机器学习基石.听课笔记(第八讲):Noise and Error
- 台湾国立大学机器学习基石.听课笔记(第十六讲一):Three Learning Principle
- 台湾国立大学机器学习技术.听课笔记(第一讲):Support Vector Machine
- 台湾国立大学机器学习基石.听课笔记(第四讲): 机器学习的可行性