ML（1）--概念理解

机器是如何模拟人来学习的？

---

人：  observations===>learning===>skill

人从出生开始经过大量的观察（也可能经过身边的的指导）进行学习然后得到相应的技能（比如小孩认车）

机器：data====>learning====>skill

机器从大量的数据里学习获得相应的技能

对于机器来说skill：improve some performance measure

即：电脑从资料出发经过学习得到某种表现的增进。

e.g   stock data===>ML===>more investment gain

使用机器学习的关键点

---

1）exists some "udderlying pattern" to be learned 即要有潜在的模式

2）but no programmable definition 没有很容易的可程序话的定义（这很好理解，如果有的话，就不用机器学习了）

3）somehow there is data about the pattern 要有大量的数据（这也很好理解，没有测试集，学习就无从谈起）

Basic Notations

---

hypothesis <=>skill with hopefully good performance

g：x-->y

即从有关f的资料出发学习得到g,我们希望得到的g是与f越接近越好。

机器学习模型：

对上面整个过程，我们可以这样理解：

通过真实的 f 产生的数据,让机器从这堆数据张学习得到g,其中我们对于得到的g的要求是，g越接近 f 越好。

这里面有个概念叫做假设（hypothesis），可以这么理解真实世界是有很多g的，这些g的集合就是hypothesis,对于机器来说，

它的目的是找到一个它认为最好的‘规则’，我们把这个规则取名为'g'。

--感谢台大林老师的课。