机器学习基石-笔记1

1.2 What is Machine Learning

▲ 什么是机器学习？

在搞清这个问题之前，先要搞清什么是学习。

学习可以是人或者动物通过观察思考获得一定的技巧过程。

而机器学习与之类似，是计算机通过数据和计算获得一定技巧的过程。

注意这一对比，学习是通过观察而机器学习是通过数据（是计算机的一种观察）。

▲ 那么紧接着就是要解决上述中出现的一个新的名词"技巧"（skill）。

什么是技巧呢？技巧是一些能力表现的更加出色。

机器学习中的技巧如预测（prediction）、识别（recognition）。

来一个例子：从股票的数据中获得收益增多的这种技巧，这就是一种机器学习的例子。

那既然人也可以通过观察获得一个技巧，为什么还需要机器学习呢？

这就是为什么需要机器学习，简单来说，就是两大原因：

一些数据或者信息，人来无法获取，可能是一些人无法识别的事物，或是数据信息量特别大；

另一个原因是人的处理满足不了需求，比如：定义很多很多的规则满足物体识别或者其他需求；在短时间内通过大量信息做出判断等等。

上面说的是为什么使用机器学习，那么什么情况下使用机器学习呢？是不是所有的情况都使用机器学习呢？

这里给出了三个ML（机器学习的英文缩写）的关键要素：

1、存在一个模式或者说表现可以让我们对它进行改进提高；

2、规则并不容易那么定义；

3、需要有数据。

1.3 Applications of Machine Learning

机器学习的应用。

1.5 Machine Learning and Other Fields

机器学习与其他各个领域的关系。

1.5.1 ML VS DM （Data Mining）

机器学习与数据挖掘者叫知识发现（KDD Knowledge Discovery in Dataset）。

上一节中已经给出了机器学习的概念，因此只介绍下数据挖掘的概念，就是从大量的数据中找出有用的信息。

从定义出发，我们可以将两者之间的关系分为3种。

1. 两者是一致的：能够找出的有用信息就是我们要求得的近似目标函数的假设。
2. 两者是互助的：能够找出的有用信息就能帮助我们找出近似的假设，反之也可行。
3. 传统的数据挖掘更关注与从大量的数据中的计算问题。

总的来时，两者密不可分。

1.5.2 M L VS AI （artificial intelligence）

机器学习与人工智能。

人工智能的大概概念就是电脑能够表现出一些智慧行为。

从定义可以得到，机器学习是实现人工智能的一种方式。

1.5.3 ML VS statistic

机器学习与统计。

统计也需要通过数据，来做一个未知的推论。

因此统计是一种实现机器学习的方法。

传统的统计学习更关注与数学公式，而非计算本身。