标签：
第一题很明显：（1）质数有很明确的定义，所以辨别质数并不需要ML；（2）在课件中反复提到的信用卡发放问题；（3）计算重力加
速度有明确的方法，不需要ML；（4）在繁忙十字路口最优交通红绿灯的周期，由于每端时间的车流量很难去预测，所以需要ML去自
己学习控制周期；（5）根据年龄推荐医学检验，无法通过明确定义程序直接判断，电脑需要自己ML得出值得推荐的结果。
下棋时data是一笔一笔喂给电脑，每一步没有明确的label，题目中也提到了feedback，也就是奖惩，所以很明显是reinforcement
learning
依题意书并没有label，和课件中的例子articles=>topic，一样，很明显是unsupervised learning
依题意是binary classification，每个x有明确的label，所以是supervised learning
评估药物的疗效，由于每次实验很贵，也就是标注每个x很贵，所以我们的data只有一部分有label，只有当机器不确定的情况，我们才
去做实验获得label，所以这是active learning
Off-Training-Set error即不在训练集中的测试错误，所以我们求的是N+1~N+L的error，依题意只有当
1~N+L中的数是偶数的时候f ≠ g产生error，所以1~N+L中共有⌊(N+L)/2⌋个偶数，1~N中共有⌊N/2⌋
个偶数，所以N+1~N+L中有⌊(N+L)/2⌋-⌊N/2⌋个偶数，所以Eots = 1/L * (⌊(N+L)/2⌋-⌊N/2⌋)
标签：
原文地址：http://www.cnblogs.com/wanderingzj/p/4950578.html
