機器學習基石筆記1：基礎概念

ML的組件

• 輸入：
• 輸出：
• 目標函數 f： （生成訓練樣本的函數）
• 數據，即訓練樣本，
• 假設函數 g： （能夠學習到的函數），g與f越接近越好
• ，H稱為假設函數集，包含了好與不好的各種h（假設）

ML流程圖

• 機器學習演算法一般用A表示
• 假設空間或者叫做假設集合一般用H表示，它是包含各種各樣的假設，其中包括好的假設和壞的假設，A從H這個集合中挑選出它認為最好的假設作為g

ML vs DM & ML vs AI & ML vs Statistic

• 簡單的說就是相輔相成，密不可分，工具與結果的關係
• 別煩了，現在沒啥好說的，等深入理解了ml自然就知道了

輸出空間的分類

• 二元分類
• 多元分類 主要應用模式識別
• 回歸分析 輸出空間為整個或範圍的實數集
• 結構學習

訓練集的標記的分類

• 監督學習 知道數據輸入的同時還知道數據的標記
• 無監督學習 訓練集沒有標記 一般用於聚類
• 半監督學習 通過少量有標記的訓練點和大量無標記的訓練點達到學習的目的
• 強化學習 （輸入 輸出 評分）

獲取數據的分類

• 批量學習
• 在線學習
• 主動學習

//待添加 todo

題圖：2017年11月1日14:52:10

上一篇 《0 起筆語》

下一篇 《2 感知器學習演算法(PLA)》