AI筆記17 - Machine Learning Introduction

Learning from data

目前ML是AI中最有潛力的技術，主要因為interent讓data搜集和產生變得實際化了。Data science包括以下幾個步驟：

ML與統計學的關係

這兩者應該是分開還是看成同一個學科？各有論點。

學術化的定義

這邊的experience E指的就是data collected。

Supervised Learning

要從已知(labeled data)來學習判斷未知，稱為supervised learning，training data通常是一組feature vector x，配上一個已知的output y:

由於已經把training data label過了(+ -)，我們可以train出某種classifier:

找出decision boundary的function來做預測：

Unsupervised Learning

如果沒有已知label好的data來學習的話，稱為unsupervised learning，主要目的是做segmentation / clustering:

Learning過程

基本上都是以下：

f 之後可以拿來做prediction。

不過f要怎麼評斷好壞？我們只有training data有真實的label，所以拿training data來檢視loss。簡單來說就是預測出來的值f(xi)跟真實的值yi有多少差距？n個training samples累積的錯誤程度如下：

一些簡單的loss function包括：