【机器学习基石笔记】一、综述

标签：定义   集中   algo   统计工具   智能   挖掘   基础   机器   推荐   

课程定位：

注重基础、故事性

机器学习定义：

data - Algo - improve

机器学习使用条件

1、有优化的目标，可量化的。

2、规则不容易写下来，需要学习。

3、要有数据

一个可能的推荐系统：

skill: 预测用户给电影的打分

用户的各个特征 * 电影的各个特征。。。

机器学习明确定义：

现实中的问题 f(x) = y

机器学习，通过算法寻找g 使得g与f尽可能接近。

A从一个假说集H里面选择一个g。假说集H事实上也是一个输入。模型model = A + H !!!

机器学习定义：有数据集D, 有假说集H，在假说集中用演算法A寻找最接近真实模型f的g

机器学习与数据挖掘的差别：

机器学习：找到与目标函数f比较接近的假设函数g

数据挖掘：看看有没有有用的东西。。

都需要对大数据的有效计算与处理。

机器学习与人工智能的差别：

机器学习是实现人工智能的方法。

比如下棋，可以通过机器学习实现，也可以不使用data,直接通过game tree实现。

机器学习与统计的差别：

统计是通过数据，做出一些推论（抛硬币正面概率>0.5）

在机器学习中，可以认为g是推论，f未知。因此统计工具可以用于机器学习。

但是机器学习更注重算法，而不是统计的结论。 

【机器学习基石笔记】一、综述

标签：定义   集中   algo   统计工具   智能   挖掘   基础   机器   推荐   

原文地址：http://www.cnblogs.com/yesuuu/p/7487758.html