台湾大学机器学习基石lecture1小结
2017-09-22 21:47
169 查看
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!
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!
相关文章推荐
- 台湾大学机器学习基石Lecture2
- 台湾大学机器学习基石Lecture6
- 台湾大学机器学习基石Lecture12
- 台湾大学机器学习基石Lecture8
- (机器学习基石)Machine Learning Foundations:Lecture 1
- 机器学习基石笔记 Lecture 1: The Learning Problem
- 台湾大学机器学习基石Lecture10
- 机器学习基石笔记 Lecture 2: Learning to Answer Yes/No
- 机器学习基石笔记 Lecture 3 - Types of Learning
- 台湾大学机器学习基石Lecture7
- 台湾大学机器学习基石Lecture3
- 台湾大学机器学习基石笔记整理
- 台湾大学林轩田机器学习基石笔记(一)
- 台湾大学机器学习基石Lecture9
- 台湾大学林轩田老师机器学习基石:内容简介
- 机器学习基石notes-Lecture1 The Learning Problem
- 台湾大学机器学习基石Lecture5
- (机器学习基石)Machine Learning Foundations:Lecture 2
- 机器学习基石的泛化理论及VC维部分整理
- 机器学习基石-08-4-Weighted Classification