台湾大学机器学习基石lecture1小结
来源:互联网 发布:java 解析swf 编辑:程序博客网 时间:2024/06/16 11:07
最近在学习台湾大学林轩田老师的机器学习基石课程,在lecture1中,老师讲述了when can machine learn?提出了三个判断是否使用机器学习的关键:
1、有更好的输出表现
2、不知道如何写规则(但数据集应该包含规则)
3、最重要的便是要有资料data
针对机器学习在生活中的应用,举一个例子来说,假如我们要写一个movie推荐系统,那么一个可用的pattern可以是:找到data,从data中获取受欢迎的movie特征,例如动作片、喜剧片、爱情片等等,从观众角度来说,可能是该movie中存在观众喜欢的演员或者观众喜欢的bgm等等,这个应该就是特征提取了吧,根据特征构造机器学习模型,来写出movie推荐系统程序。
ML中learning的基本组成部分,有input X output Y target function fhypothesis Hdata(训练集)以及g。
一个一般的机器学习模型如下:
其中,假设集合可能有1个元素,也可能存在无穷多个元素,比如很多个元素的时候,那么学习算法的作用就是从这么多的hypothesis中找出一个使输出表现的最优秀的hypothesis,使g=该hypothesis,并且近似等于目标函数f。
由于第一次写博客,实在生疏,作为自己学习机器学习的脚印吧!
阅读全文
1 0
- 台湾大学机器学习基石lecture1小结
- 台湾大学机器学习基石Lecture2
- 台湾大学机器学习基石Lecture3
- 台湾大学机器学习基石Lecture4
- 台湾大学机器学习基石Lecture5
- 台湾大学机器学习基石Lecture6
- 台湾大学机器学习基石Lecture7
- 台湾大学机器学习基石Lecture8
- 台湾大学机器学习基石Lecture9
- 台湾大学机器学习基石Lecture10
- 台湾大学机器学习基石Lecture11
- 台湾大学机器学习基石Lecture12
- 台湾大学林轩田老师机器学习基石:内容简介
- 台湾大学机器学习基石笔记整理
- 机器学习基石notes-Lecture1 The Learning Problem
- 台湾大学林轩田机器学习基石课程学习笔记14 -- Regularization
- 台湾大学林轩田机器学习基石课程学习笔记15 -- Validation
- 台湾大学林轩田机器学习基石课程学习笔记
- CSS总结-----定位与盒子图
- HDU1423 Greatest Common Increasing Subsequence(最长公共递增子序列)
- 数据库那点事(Mysql)-5
- github删除某个文件夹(文件)
- GCC/G++ + sublime text3 + powershell在windows使用指南
- 台湾大学机器学习基石lecture1小结
- 38. Count and Say
- ajax跨域,以及在laravel中实现跨域
- ArrayList的学习笔记
- JQuery实现注册表单页面 4 代码
- Shell脚本中获取本机ip地址的3个方法
- usaco-4.2.2The Perfect Stall完美的牛栏
- 面向对象——封装性
- Codeforces Similar Words [trie树+树形dp]