本节内容

本节课主要介绍了什么是机器学习，什么样的场合下可以使用机器学习解决问题，然后用流程图的形式展示了机器学习的整个过程，最后把机器学习和数据挖掘、人工智能、统计这三个领域做个比较。

What is Machine Learning？

学习就是人类通过观察、积累经验，掌握某项技能或能力。就好像我们从小学习识别字母、认识汉字，就是学习的过程。

机器学习（Machine Learning），顾名思义，就是让机器（计算机）也能向人类一样，通过观察大量的数据和训练，发现事物规律，获得某种分析问题、解决问题的能力。

机器学习可以被定义为：Improving some performance measure with experence computed from data. 也就是机器从数据中总结经验，从数据中找出某种规律或者模型，并用它来解决实际问题。

What is skill?

Why use machine learning?

考虑编写一个应用：树木种类识别，如果实现编写一套判断树的代码，因为世界上树的种类太过繁多，可能需要很多工作量，并且在之后发现新树时，需要更新维护该代码，工作量很大且效果不好。

如果使用机器学习来实现树木种类识别，让机器先学习大量的数据（观察）得到经验后，树的识别效果可能更好。

When use machine learning?

什么情况下会使用机器学习来解决问题呢？其实，目前机器学习的应用非常广泛，基本上任何场合都能够看到它的身影。比如：

1 当人类没办法做一个复杂的系统，将所有的规律都写清楚。——比如机器人探测火星，没办法预测机器人在火星上会遇到什么情况，例如遇到坑，要怎么办，这就需要机器自己去学习怎么处理
2 没办法定义一个规则的时候——语音/可视化识别
3 人类无法快速进行决策的时候——股市交易
4 在大规模的数据下一个用户取向的问题——用户个性化的市场

Key Essence of Machine Learning

大致可归纳为三个条件：

1 事物本身存在某种潜在规律
2 某些问题难以使用普通编程解决
3 有大量的数据样本可供使用

Fun Time

Applications of Machine Learning

机器学习在我们的衣、食、住、行、教育、娱乐等各个方面都有着广泛的应用，我们的生活处处都离不开机器学习。比如，打开购物网站，网站就会给我们自动推荐我们可能会喜欢的商品；电影频道会根据用户的浏览记录和观影记录，向不同用户推荐他们可能喜欢的电影等等，到处都有机器学习的影子。

Components of Machine Learning

Metaphor Using Credit Approval

相关术语

输入 x
输出 y
目标函数 f
即最接近实际样本分布的规律
训练样本 data
假设 hypothesis
一个机器学习模型对应了很多不同的hypothesis，通过演算法A，选择一个最佳的hypothesis对应的函数称为g，g能最好地表示事物的内在规律，也是最终想要得到的模型表达式。

Leaning Flow (for Credit Approval)

对于理想的目标函数f，我们是不知道的，我们手上拿到的是一些训练样本D，假设是监督式学习，其中有输入x，也有输出y。机器学习的过程，就是根据先验知识选择模型，该模型对应的hypothesis set（用H表示），H中包含了许多不同的hypothesis，通过演算法A，在训练样本D上进行训练，选择出一个最好的hypothes，对应的函数表达式g就是我们最终要求的。一般情况下，g能最接近目标函数f，这样，机器学习的整个流程就完成了。

Fun Time

Machine Learning and Other Fields

与机器学习相关的领域有：

数据挖掘（Data Mining）

人工智能（Artificial Intelligence）

机器学习是实现人工智能的一种方式。

统计（Statistics）

其实，机器学习与这三个领域是相通的，基本类似，但也不完全一样。机器学习是这三个领域中的有力工具，而同时，这三个领域也是机器学习可以广泛应用的领域，总得来说，他们之间没有十分明确的界线。