紅色石頭的個人網站：redstonewill.com

最近在看NTU林軒田的《機器學習基石》課程，個人感覺講的非常好。整個基石課程分成四個部分：

• When Can Machine Learn?

• Why Can Machine Learn?

• How Can Machine Learn?

• How Can Machine Learn Better?

每個部分由四節課組成，總共有16節課。那么，從這篇開始，我們將連續對這門課做課程筆記，共16篇，希望能對正在看這們課的童鞋有所幫助。下面開始第一節課的筆記：The Learning Problem。

一、What is Machine Learning

什么是“學習”？學習就是人類通過觀察、積累經驗，掌握某項技能或能力。就好像我們從小學習識別字母、認識漢字，就是學習的過程。而機器學習（Machine Learning），顧名思義，就是讓機器（計算機）也能向人類一樣，通過觀察大量的數據和訓練，發現事物規律，獲得某種分析問題、解決問題的能力。

機器學習可以被定義為：Improving some performance measure with experence computed from data. 也就是機器從數據中總結經驗，從數據中找出某種規律或者模型，并用它來解決實際問題。

什么情況下會使用機器學習來解決問題呢？其實，目前機器學習的應用非常廣泛，基本上任何場合都能夠看到它的身影。其應用場合大致可歸納為三個條件：

• 事物本身存在某種潛在規律

• 某些問題難以使用普通編程解決

• 有大量的數據樣本可供使用

二、Applications of Machine Learning

機器學習在我們的衣、食、住、行、教育、娛樂等各個方面都有著廣泛的應用，我們的生活處處都離不開機器學習。比如，打開購物網站，網站就會給我們自動推薦我們可能會喜歡的商品；電影頻道會根據用戶的瀏覽記錄和觀影記錄，向不同用戶推薦他們可能喜歡的電影等等，到處都有機器學習的影子。

三、Components of Machine Learning

本系列的課程對機器學習問題有一些基本的術語需要注意一下：

• 輸入x

• 輸出y

• 目標函數f，即最接近實際樣本分布的規律

• 訓練樣本data

• 假設hypothesis，一個機器學習模型對應了很多不同的hypothesis，通過演算法A，選擇一個最佳的hypothesis對應的函數稱為矩g，g能最好地表示事物的內在規律，也是我們最終想要得到的模型表達式。

實際中，機器學習的流程圖可以表示為：

對于理想的目標函數f，我們是不知道的，我們手上拿到的是一些訓練樣本D，假設是監督式學習，其中有輸入x，也有輸出y。機器學習的過程，就是根據先驗知識選擇模型，該模型對應的hypothesis set（用H表示），H中包含了許多不同的hypothesis，通過演算法A，在訓練樣本D上進行訓練，選擇出一個最好的hypothes，對應的函數表達式g就是我們最終要求的。一般情況下，g能最接近目標函數f，這樣，機器學習的整個流程就完成了。

四、Machine Learning and Other Fields

與機器學習相關的領域有：

• 數據挖掘（Data Mining）

• 人工智能（Artificial Intelligence）

• 統計（Statistics）

其實，機器學習與這三個領域是相通的，基本類似，但也不完全一樣。機器學習是這三個領域中的有力工具，而同時，這三個領域也是機器學習可以廣泛應用的領域，總得來說，他們之間沒有十分明確的界線。

五、總結

本節課主要介紹了什么是機器學習，什么樣的場合下可以使用機器學習解決問題，然后用流程圖的形式展示了機器學習的整個過程，最后把機器學習和數據挖掘、人工智能、統計這三個領域做個比較。本節課的內容主要是概述性的東西，比較簡單，所以筆記也相對比較簡略。

這里附上林軒田（Hsuan-Tien Lin）關于這門課的主頁：
http://www.csie.ntu.edu.tw/~htlin/

注明：

文章中所有的圖片均來自臺灣大學林軒田《機器學習基石》課程。

關注公眾號并輸入關鍵字“jspdf”獲得該筆記的pdf文件哦～

更多AI資源請關注公眾號：紅色石頭的機器學習之路（ID：redstonewill）

總結

以上是生活随笔為你收集整理的台湾大学林轩田机器学习基石课程学习笔记1 -- The Learning Problem的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。