<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 1 -- The Learning Problem 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。 ![這里寫圖片描述](https://img.kancloud.cn/87/30/8730b961c5b7ecc3c195c88d42263f9d_566x237.jpg) 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。 ![這里寫圖片描述](https://img.kancloud.cn/e9/ca/e9ca3b391c95f6177480b5767545d7a7_566x212.jpg) 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 ![這里寫圖片描述](https://img.kancloud.cn/b8/d9/b8d99d7928bb30ac9c16aa093b70f050_566x153.jpg) ### **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。 ![這里寫圖片描述](https://img.kancloud.cn/80/1a/801a9461437a73cc8cf11392fc448480_566x229.jpg) 實際中,機器學習的流程圖可以表示為: ![這里寫圖片描述](https://img.kancloud.cn/85/10/8510ad1e1655a6d054204da0b394e275_566x264.jpg) 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/](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。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看