When Can Machines Learn?
先放个summary : )
主要框架
1.Course Instruction
2.What is Machine Learning
1>机器学习的概念
机器学习的概念理解
总的来说就是给机器位一些资料，根据资料'学习'，然后会某些技能，这个技能可能是做判断题，选择题……
2>key essence of ML
机器学习的关键本质
当思考一个问题是否适合用机器学习来解决时，可以从3个方面来考虑:
1.存在潜在的模式去学习
（肯定要有学习的可能性）
2.但是呢，现在并没有公式呀之类的去定义它
（都有公式了，为啥作死用机器学习呢:D）
3.世界上现存资料供学习
（无法解决未知领域呢）
3.Applications of ML
everywhere :D
4.Components of ML
1.定义一些符号 x,y,f,D,g
基本符号
x:输入的资料上的点
y:我们希望得到的结果（例如判断题可以得到bad/good）
f:x->y (理想中我们希望找到的公式）
D:data 资料，由(x,y)构成
g:最后学习到的公式
图示：
图示
总的来说，可以理解为我们想要知道f，然后喂给机器D（由x,y构成），希望得到的个g与f越接近越好。
2.学习模型
学习模型
H : 所有可能结果的集合（g只是其中一个h，ML的目标就是要找到最好的h）
A : Algorithm 算法，是判定g是不是best的算法
定义
由上面的基础给出Machine Learning的定义:
use data to compute hypothesis g that approximates target t.
5.ML and other fields
1.ML和数据挖掘
ML和数据挖掘
如果DM要找的特性和ML的h是一样的，那么可以说ML和DM是一样了
如果DM要找的特性与ML的h有关，那么二者是互相帮助的
传统的DM更在意高效的计算
2.ML和人工智能
ML和人工智能
ML是AI的一个分支，是实现AI的一种途径
3.ML和统计学
ML和统计学
统计学可以提供很多工具给机器学习
传统的统计学是建立在数学假设上的推论，并且不太在意计算过程
6.summary
summary
以上:D
注明:以上图片都来自Cousera台大林轩田老师的《机器学习基石》哦 QwQ
