前言

機器學習基石(Machine Learning Foundations)，由林軒田教授所開授的線上課程。
終於有空來看這一系列的教學了，不僅是專題所需，一直對 Machine Learning 挺感興趣的。但，是的，完全不了解，完全。如果可以大概就是慢慢看完，在這邊做做筆記。而因為畢竟也是初心者，打上去的東西就真的只是 筆記 了。要是你有興趣看看新手的自言自語就再好不過了，但如果想學到甚麼，還是直接去看影片吧…
而在 Coursera 上不知為何，我已經找不到這個課程了，只好直接從 youtube 上看了，而似乎也找不到它每章節的練習作業，所以真不曉得要怎做練習呢….
可能會有很多疏漏或錯誤之處，煩請指出QQ

題外話:希望這能讓我離妹妹 AI 越來越近呢。

接下來的投影片截圖皆取自於林軒田教授: http://www.csie.ntu.edu.tw/~htlin/mooc/
一些練習作業可在這裡找到: https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/
文字則穿插影片和投影片中的講解及個人理解。
一、二…則表示切割在不同影片中的段落。

影片列表

本次章節名稱: the learning problem

一 What is Machine Learning

甚麼是學習

以人來說，我們透過各種 觀察途徑 ，再經過大腦的思考等等，轉化成技能(skill)。
而機器學習，學習的主體就變為電腦，而 觀察 則是我們給它的 資料，透過各種分析、計算，轉化成技能(skill)。

而 skill ，這裡的意思是「使某種表現增進變好」。例如股票，餵給它相關資料，透過 ML(Machine Learning) 使電腦獲得能增進獲利的方法。

何時使用機器學習

單靠定義其規則來完成，十分困難。此時機器學習就是一個不錯的途徑。

ML : an alternative route to build complicated systems

有提到幾個的例子:

所以到底何時可以使用機器學習呢? 給出了三個關鍵:

• exists some ‘underlying pattern’ to be learned
  
  —so ‘performance measure’ can be improved

為了要增進某種表現，所以其行為要有模式和目標，存在某種規則，簡單來說就是此事情必須要 有跡可循 。

• but no programmable (easy) definition
  
  —so ‘ML’ is needed

無法簡單定義 這個問題來編寫程式，要是可以像平常解題那般，有清楚的定義和步驟就不太需要用到機器學習了。

• somehow there is data about the pattern
  
  —so ML has some ‘inputs’ to learn from
  key

要有資料，沒有資料就無從下手了。

二 Applications of Machine Learning

機器學習的應用

食衣住行，還有育樂~ every where~~

三 Components of Machine Learning

公式化的學習

以 “是否核發信用卡給顧客” 為例:

• Input : 顧客的資料。
• Output : 是否給他信用卡。
• Target function : 要學習的目標，最理想的方法，我們想要，但不知道的。這邊則是核發信用卡的公式
• Data : 過去已存在的資料
• Hypothesis : 機器看了資料後，給出了一個方法來解決我們的問題，我們希望它的結果接近 Target function。Target function 是我們想要的，但不一定學得到它。

學習過程

Target function(未知) 產生出 Data。
我們將 Data 丟進 learning algorithm ，最後會給出一個 Hypothesis。
目的在達到表現的增進，也就是使得 Hypothesis 產生出的結果能和 Target function 越像越好。

Hypothesis set : 某些可能的式子來判斷結果，有壞有好。(set of candidate formula)
Learning algorithm : 依據 Data ，從 Hypothesis set 中挑選一個最好的出來。

Hypothesis set 和 Learning algorithm = Learning model

總結成一句話:

use data to compute hypothesis g
that approximates target f