機器學習基石-The Learning Problem

The Learning Problem

1

From Learning to Machine Learning

首先我們先看看machine learning的定義，在給出這個定義之前，我們先單獨看看learning的定義。簡單地說，learning可以定義為大腦根據我們的觀察（observations),經過大腦相關處理最終令我們掌握了某種skill的過程。在給定learning定義的基礎上，ML的定義也就水到渠成了，我們做機器學習的目的就是通過餵給機器一些data讓電腦模擬人腦學習的這個過程，最終讓機器擁有解決某些問題的能力。

進一步深入，我們需要明確何為skill。我們對skill給出一個更具體的解釋：增強了現實生活中的某一種表現，比如數學表現語言表現等等。於是我們可以將machine learning的過程進一步具體化成下圖。

2

Why Use Machine Learning

接下來相信很多人都會問的問題是我們為什麼要用機器學習？或者說機器學習相對其他學科的優勢在哪？有了上面的定義，我們可以大致發現機器學習的優勢，生活中我們面臨著大量的複雜系統，我們對於這些系統的內部規律了解不是很充分，於是描述和利用這些系統就存在比較大的難度，這個時候，利用電腦較人腦在存儲和計算等方面的優勢，我們可以利用ML來學習構建這些複雜系統，比如人臉識別聲音識別和股市高頻交易等等場景。

3

Key Essence of ML

結合前兩部分的內容，我們不難得出ML的使用關鍵為上述三點。

4

Components of Learning

接下來我們看看機器學習的組成成分，我們以一個具體的場景（信用卡核發）來將相關組成成分抽象化和數學化。

組成成分大概可以抽象成：輸入空間X，輸出空間Y，目標函數f，觀測集D和最終機器學到的g，我們的目的是f和g儘可能一致，進一步我們可以將這個學習過程進一步流程化為下圖這個過程。

其中目標函數f是未知的，我們會發現f全程處在打醬油的狀態，那為何機器學習過程還會有他的位置呢？f未知是機器學習的原因，此外觀測集D是由f產生的。然後我們可以給出機器學習進一步的定義：通過data在hypothesis中尋找一個g,使得這個g儘可能地與目標函數f接近。

小結

第一課旨在給出machine learning的定義，從learning出發,我們給出機器學習的簡單定義，然後講述我們為什麼需要做機器學習，最後我們結合信用卡核發這個具體場景給出機器學習的數學化定義並引入了相關抽象化的機器學習成分。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！