What is Machine Learning?
从学习到机器学习：
- 学习：观察➡学习、总结➡技能
- 机器学习：数据集➡机器学习➡机器的技能
什么是技能？
- 改进某一行为的性能，如预测时正确率的提高
机器学习的适用场景：
- 在人类无法预先编写好全部的规则时
- 人们无法简单地定义结果时
授之以“渔”而非授之以“鱼”！
机器学习的 performance 进步之关键：
- 存在某些潜在的可以被学习的模式
- 并不是简单地可以编程的、确定的问题
- 存在可以学习的数据集
Applications of Machine Learning
- 推荐系统：
- 对用户喜好和电影特点分别做特征提取——得到特征向量，二者特征向量内积，高者代表用户喜好与本电影的特点匹配程度更高，于是将本电影推荐给该用户
- 正确率预测
Components of Machine Learning
以银行批准申请信用卡为例，提出 ML 的数学标记：
- 输入：客户的数据情况，其中样本为 ，数据集为 ,
- 输出：机器学习模型对批准信用卡与否的预测概率，其中对应每个样本的输出为 ，全部输出的集合为 ,
- 目标函数：从数据集到预测概率的映射 ，注意这个映射关系从始至终都是未知的、未定的，能够确定的是它的确存在，但形式未知,
- 训练样本、数据集：对每一个输入 所对应输出 的 pair 集合，,
- 选择的最佳假设：达到足够精度的预测 ，这里 g 就是对 f 的一个最佳估计。
- 假设集 是对这个未定的映射 f 的估计的集合，训练的过程就是通过对数据的学习找到其中最好的一个假设，即是 g ；
- 所谓机器学习的模型，就是学习算法 和假设集 的结合。
Machine Learning and Other Fields
-
数据挖掘：
-
人工智能：
- ML 是实现 AI 的一种方法；
- 譬如下棋，既可以从数据集中学习高胜率的方法，也可以尝试“这样下会输”从而避免之；
-
统计：
- 统计有许多实现 ML 的手段；
