1.5 The Leaming Problem-Machine Leaming and other Fields|机器学习基石（林轩田）-学习笔记

文章原创,最近更新：2018-06-27

学习链接:
1.5 The Leaming Problem-Machine Leaming and other Fields

1.Machine Learning and Data Mining(机器学习与数据挖掘)

讲完了机器学习完整的流程,下面将一下机器学习与其他相关领域的关系

第一个讲的领域就是数据挖掘,数据挖掘与机器学习有什么不一样,如下:

• 机器学习是用资料找出一个假说g,然后跟我们的目标f很相像.
• 数据挖掘是将资料找出一些有趣的事情.
  比如超市经营者会思考,顾客买了这个东西,会不会买另外一个东西呢?在销售资料中,有没有资料中,有没有销售的商品是互相关联的呢?这个数据挖掘需要很多的资料,试图找出特定的应用以及有趣或者有用的信息.

从这两个定义就可以看出来,如果有用的信息,是之间找出一个g,可以直接拿出来做预测.其实机器学习与数据挖掘没有什么不一样.目标都是一致的.

数据挖掘在意的帮助人并进一步的进行分析.例如KDDCup这样的比赛上面,它定义的问题是要设计一个演算法,然后增加某一种表现,也就是理想上的f.因此在KDDCup上数据挖掘与机器学习没啥不一样.

如果找出有趣的属性,跟机器学习想做的事情有点关系,就可以找出更好的g.那么机器学习与数据挖掘就可以互相帮忙,虽然不总是这样,但是非常的常见.

数据挖掘还有另外的一个重点,比如在很多的资料特别是资料库里面的资料还能很有效率的计算.

这是机器学习与资料看看的关系.非常想象,但是也有些不一样.这两个领域几乎密不可分.

2.Machine Learning and Artificial Intelligence机器学习与人工智能

另外一个相关的领域是人工智能,下面来看看机器学习与人工智能有什么样的关系.

人工智能的定义是:电脑有聪明的表现,比如自动下棋.电脑自动开车.

• g≈f,会预测,这是非常聪明的一件事情.机器学习是实现人工智能的一种方法.
• 比如拿下棋案例:
  • 传统的人工智能:是分析下棋的好处与坏处,并且有树状图.
  • 机器学习为人工智能提供的是棋盘数据中训练学习,以提供最好的技巧.

机器学习是实现人工智能的一种方式.

3.Machine Learning and statistics机器学习与统计分析

两个都是使用资料,统计分析师使用资料来做一些推论.推论一些我们不知道的事情.

• g实际上是一个推论的结果,f是理想的结果,这是我们想要的事情.由此可以得到统计是实现机器学习的一种方法.
• 传统的很多统计工具会用在机器学习上面.但是统计学是在数学出发的,统计学注重于数学推理,但是不注重计算.机器注意于从资料出发.

统计学为机器学习提供了许多有用工具

4.Fun time

下面四句话那句话是错误的?

正确答案是3

数据挖掘与机器学习非常接近但是不一样的.

5.Summary总结

机器学习是从资料出发,找到一个函数g跟我们最渴望的目标f是最接近的.

机器学习在很多的地方都是有所应用.都是很多有关系,但是都有各自不一样的领域.