仅供自己学习之用
学习主题：
•
When
Can Machines Learn? (illustrative + technical)
When
Can Machines Learn? (illustrative + technical)
•
Why
Can Machines Learn? (theoretical + illustrative)
Why
Can Machines Learn? (theoretical + illustrative)
•
How
Can Machines Learn? (technical + practical)
How
Can Machines Learn? (technical + practical)
•
How Can Machines Learn
Better
? (practical + theoretical)
How Can Machines Learn
Better
? (practical + theoretical)
8 weeks of ‘foundation’ (
this
course
) + 7 weeks of ‘techniques’ (coming course)
this
course
) + 7 weeks of ‘techniques’ (coming course)
一、
二、
1、学习：
通过
观察 学习得到
技能
观察 学习得到
技能
2、机器学习：
对
资料数据进行处理学习
技能技巧
资料数据进行处理学习
技能技巧
3、skill
增进某种表现
4、进一步推断：
5、使用用途：
当人不能手动进行项目（火星探测）
当人不能很容易找到解决方法（视觉声音的辨识）
人不能很容易决策（高频率股票预测）
服务大量使用者（面向消费者的营销）
6、机器学习使用条件：
事物本身存在某种潜在规律
某些问题难以使用普通编程解决
有大量的数据样本可供使用
7、问题
三、举例应用
机器学习在我们的衣、食、住、行、教育、娱乐等各个方面都有着广泛的应用，我们
的生活处处都离不开机器学习。比如，打开购物网站，网站就会给我们自动推荐我们
可能会喜欢的商品；电影频道会根据用户的浏览记录和观影记录，向不同用户推荐他
们可能喜欢的电影等等，到处都有机器学习的影子。
四、
1、
输入x
输出y
目标函数f
训练样本D
矩g:
假设
hypothesis
，一个机器学习模型对应了很多不同的
hypothesis
，通过演算法
hypothesis
，一个机器学习模型对应了很多不同的
hypothesis
，通过演算法
A
，选择一个最佳的
hypothesis
对应的函数称为矩
g
，
g
能最好地表示事物的内在
，选择一个最佳的
hypothesis
对应的函数称为矩
g
，
g
能最好地表示事物的内在
规律，也是我们最终想要得到的模型表达式。’
2、问题：
S1=[0，100] 输出的结果，比如办银行卡用户的评估值在0到100
S2=所有可能的（userid，songid）对 输入的结果，比如办银行卡用户填的信息
S3=所有“乘以”用户因素和歌曲因素的公式，按这些因素的所有可能组合编制索引
S4=1000000对（（userid，songid），等级
五、
1、
与机器学习相关的领域有：
数据挖掘（
Data Mining
）
Data Mining
）
人工智能（
Artificial Intelligence
）
Artificial Intelligence
）
统计（
Statistics
）
Statistics
）
2、
今天的文章Course1 初步介绍分享到此就结束了，感谢您的阅读。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/62162.html
