機器學習對於適用場景有一定的前提條件：
可以找到某種模式
不容易程式設計實現，不能對目標下乙個簡單的定義
能找到訓練的資料，資料量越大越好
使用機器學習的乙個小例子——銀行信用卡批准
例如銀行會收到申請客戶的個人資料，然後根據個人資訊進行分析，選擇是否發放信用卡，以達到銀行最大收益。
機器學習所扮演的角色就是訓練出某種發卡策略。
數學描述：
x：使用者個人資料
y：是否要發卡
目標函式f：x->y（f為目標函式，通過使用者資料，得出是否發卡的策略）
訓練資料d=
假設hypothesis：g：x->y的表現很好
如下圖能夠形象的表現出機器學習的數學過程。
這裡面有個隱含的過程，也就是d資料集實際上是由某種理想化（不可知）的公式f演算得到的.
而機器學習的過程也只是在不斷逼近，試圖得到f，但是只能得到它的近似函式g，g約等於f。
那麼在這個例子裡，g會是怎麼樣的一種形式呢？接下來，就具體的講一講。
個人資料報含：年齡、性別、年收入、居住時間、工齡、負債。
g屬於假設集合h
h1：年收入》20萬
h2：負債》8萬
h3：工齡<=2年
機器學習過程就是為g挑集合h中選擇最好的乙個。
機器學習的模型就是指：演演算法a與假設集合h。
因此總結：機器學習，根據資料d，計算出假設g，約等於目標函式f。
首先從兩者的目標角度來講，機器學習是通過資料找到某種pattern，找到近似函式g；而資料探勘則是通過資料找到當中有趣的元素。但是某些情況下，它們並不區分，因為有趣的元素可以是這個pattern，這時它們的目標相同。
然後從它們的訓練過程來講，都是需要喂資料的。
接著，是由於資料探勘的特點：資料探勘是在大資料方面切入的，所以更加注重大資料的高效計算。
最後，它們之間是互相促進的，有時候發現了g，那也能幫助找到有趣重要的元素，反之也是。
1.機器學習是實現人工智慧的一種方式。
統計是實現機器學習的一種方法。
傳統的統計學是從數學出發，更加注重假設與證明；機器學習從電腦出發，更注重怎麼計算處理，而不只是數學上的證明等。
台大 林軒田老師 機器學習基石學習筆記2
第一節課中，主要講解的是機器學習的基本思路和相關的應用，算是一種對機器學習的大致介紹和簡單的科普。到了第二講，林老師將重點放在了pla演算法上，通過這個演算法讓機器學習的演演算法大門正式開啟了。對於機器學習，類似人的成長一般，一般是先學會判斷是和不是，所以這一講是介紹一種可以回答是非題的機器學習演演...
台大 林軒田老師 機器學習基石學習筆記13
上節講的是非線性分類模型，通過線性與非線性空間之間的變換，將非線性模型映轉換為線性模型，再進行分類，分析了非線性變換可能會使計算複雜度增加。強調了緯度和負責度之間的關係。這節中，這種模型複雜度增加帶來機器學習中乙個很常見的問題 過擬合。機器學習的終極目標就是為了 當然 前我們要對資料進行訓練。用原生...
力薦 台大林軒田《機器學習基石》資源彙總
原文 重磅 吳恩達新書 machine learning yearning 最新版分享 紅色石頭的個人 redstonewill.com 首先附上這門課的主頁 hsuan tien lin 機器學習基石 機器學習基石 林軒田 這門課主要涉及機器學習關鍵問題的四個方面 其中每個方面包含4節課，總共有1...