# 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。  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/](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。