一、什么是机器学习？
简单来说，机器学习是机器通过观察数据积累经验来获取技能（改进一些性能指标）的过程。
二、机器学习应用的条件
- 存在某种模式能够被学习--有性能表现能够增进。
- 不知道怎么描述这种模式/规则。
- 有关于该模式的数据作为输入。
三、机器学习的应用-推荐
1. 描述
- 数据：很多用户已经评价了许多电影
- 技能：预测一个用户如何评价他没有评价过的电影
2. 一个可能的ML方案
图2.2 分析过程
- 模式
将viewer描述成一串特征数字，图中用圆圈表示喜爱程度，圆圈越大表示越喜欢。例如某viewer喜欢动作片，该用户的这个特征数字就大。
将movie也描述为一串特征数字，图中表示有这个特征圆圈就大，没有的话圆圈就很小。
通过关联两串特征数字就可以知道知道viewer对movie的评分。例如将两串特征数字作内积，将得到的结果表示为预测的分数。 - 学习
机器根据已经知道的评分情况，反推出viewer和movie的特征，从而可以利用上述模式进行评分预测。
四、机器学习的组成-信贷预测
1. 描述
表4.1 信贷用户信息
未知的模式：机器根据用户信息表发放信贷使银行获益。
2. 基本符号(notations)
- 输入：x∈X（用户信息表）
- 输出：y∈Y（发放信贷卡后是好是坏）
- 未知的目标函数：f：X→Y（理想的发放规则）
- 训练数据：D={(x1,y1),(x2,y2),...,(xn,yn)}（银行的历史记录）
-
希望的表现良好的函数：g：X→Y（用来使用的已学到的规则）<希望能够得到一个与理想规则f很接近的g规则>
符号流程
图4.2-1 具体流程 -
假说集合H：假设 g∈H={hi}，例如有这些规则：
h1:年薪>80w
h2:工作年龄<2
然后由算法A从H中选择“最好”的一个作为g。
图4.2-2 学习模型
五、机器学习与其他领域
机器学习：使用数据D计算出一个非常接近理想目标函数f的假设g
1. 机器学习ML与数据挖掘DM
数据挖掘：使用（大量的）数据去发现一些有趣的信息
- 如果“有趣的信息”与“假设g”相同，那么ML=DM
- 如果“有趣的信息”与“假设g”有关联，那么DM与ML能够互相帮忙，达到目的。
- 传统的DM也关注从数据库中进行高效的计算。
2. 机器学习ML与人工智能AI
人工智能：计算得出具有智能表现的某些东西
- 由于g很接近有智能表现的f，可以说ML是实现AI的一种方式。
3. 机器学习ML与统计Statistics
统计：使用数据来得出一个未知的事情的推论
- g是一种输出的推论；f是一种未知的事物。从这种角度可以说统计是实现ML的一种方式。
- 传统的统计方法侧重于数学假设下的可处理结果，而不太关心计算。而ML更侧重于如何计算。
