機器學習 緒論

機器學習是通過計算的手段，利用經驗來改善系統自身的效能。在計算機的世界裡就是由計算機從資料中產生模型的演算法。

個人理解：機器學習是對某一物件提取其特徵，大量物件特徵的提取，組成乙個樣本集，找出特徵和我們關注結果之間的聯絡，該聯絡由計算機學習或訓練得到。再給乙個物件的作為輸出，我們通過該聯絡能夠得出正確的結果。

示例/樣本：記錄關於乙個事件或物件的描述

資料集：包含多條示例或樣本的集合

樣例：擁有標記資訊的示例（例如：結果）

標記空間/輸出空間：樣例的集合

1、分類（classification）：資料離散

二分類（binary classification）：正類（positive class）、反類（negative class）

多分類（multi-class classification）

2、回歸（regression）：資料連續

3、聚類（clustering）：將訓練集中的樣本分為不同的組

資料擁有標記為監督學習（supervised learning）：分類、回歸

資料未有標記為無監督學習（unsupervised learning）：聚類

定義：機器學習中對某種型別的假設的偏好。

任何乙個有效的機器學習演算法必有其歸納偏好。

常用的歸納偏好：奧卡姆剃刀——若多個假設與觀察者一致，則選最簡單的那個。

nfl（沒有免費的午餐）理論：f均勻分討論學習演算法則沒有意義。

機器學習領域和資料庫領域是資料探勘的兩大支撐

書中第八頁，nfl理論證明暫時沒有看懂，數學理論有待提高。

機器學習 緒論

機器學習所研究的主要內容就是從資料中產生模型，也就是學習演算法，給學習演算法提供經驗資料，基於這些資料訓練出新模型，在面對新的情況時，該模型會給我們提供相應的判斷。即從資料中產生模型，由模型作出相應的判斷和 基本術語 1 資料集 2 示例 樣本 3 屬性 4 屬性空間 樣本空間 5 特徵向量 6 維...

機器學習 緒論

1.1引言 喧鬧的教室突然變得鴉雀無聲，沒有抬頭的你第一反應就是老闆進了教室，趕緊就收起了手裡的手機。結果抬頭一看，老闆果真進來了 或者有時候抬頭一看，什麼也沒有，大家哈哈一笑。為什麼？為什麼你沒抬頭看就想到會是老闆進來了？因為你以前有過相同或者相似的經歷，也就是 經驗 所以你再一次經歷的時候，會根...

《機器學習》之 緒論

學習的定義 對於某類任務t和效能度量p,如果乙個電腦程式在t上以p衡量的效能隨著經驗e而自我完善，那麼我們稱這個電腦程式在從經驗e中學習。設計乙個學習系統 選取訓練經驗的型別，關鍵屬性是訓練經驗能否為系統的決策提供直接或間接的反饋 學習器可以在多大的程度上控制訓練樣例序列 訓練樣例的分布能多好地表示...