机器学习是什么

从接触到机器学习，到学会自己用用数据挖掘的算法，工作学习中接触到的一些，以后也许会继续从事这样的事情，所以现在开始从基础的去学习机器学习，这个blog就作为学习笔记。

第一节课主要是介绍了课程的主要内容

• 什么（what）是机器学习
• 什么时候（when）用机器学习
• 为什么（why）用机器学习
• 怎么（how）用机器学习

---

What

机器学习就是机器通过观察获取一定的技巧来提高某件事物的效果度量：

When

什么时候能够使用机器学习，需要满足下面的条件：

• 存在一些潜在的规则需要被学习，能够提高效果
• 不存在简单的规则的定义，需要学习
• 有一定的关于需要学习规则的数据

Why

为什么要使用机器学习，我们如何让程序去识别一棵树，如何让程序快速的推测出股市的涨跌，这些基于大量的规则的程序是很难写出来的。

• 具体定义一件事物是非常困难的
• 人类学习是靠观察的方式的，如何让机器观察然后学习很重要
• 基于机器学习的模型比我们手写规则更容易

How

机器学习的过程就是：
利用满足某一种关系 f:X→Y 的数据集计算出假想的模式g，使得g 无限近似于f，学习计算的方法就是从所有假想规则集合H中找到部分满足条件的A。这就是机器学习的具体的方式。

ML、DM、AI以及统计学等领域的关系

ML和DM

Machine Learning：use data to compute hypothesis g that approximates target f 机器学习是学习有用的模型规则提高效果
Data Mining：use (huge) data to find property that is interesting 数据挖掘是指在大量的数据中找到有趣的关系规则

• 如果说要找到的有趣的规则是要提高效果的目标，那么ML = DM
• 如果说找到有趣的关系与提高效果的目标有关系，那么DM可以帮助ML，但不一定总是会有帮助
• 传统的DM常常关注与如何提高大型数据的计算能力

ML和AI

Machine Learning：use data to compute hypothesis g that approximates target f 机器学习是学习有用的模型规则提高效果
Artificial Intelligence：compute something that shows intelligent behavior 能够表现出智能的行为的算法

• 在某些时候，机器学习能够使机器展现出智能行为，ML可能是实现AI的一条路径
• 例如：下棋
  
  • 传统的AI：利用的搜索树
  • ML for AI：通过学习已有的对局或者自己互相比赛学习下棋

ML和Statistics

Machine Learning：use data to compute hypothesis g that approximates target f 机器学习是学习有用的模型规则提高效果
Statistics：use data to make inference about an unknown process 对未知的一些过程找到相关的推理

• g 是推理的输出；f 是未知的关系。统计学是实现ML的工具
• 传统的统计学是关注与数学假设的可能结果，不关注于计算方式