80
简单自学机器学习理论——引言 (Part I )
首发地址：https://yq.aliyun.com/articles/67165
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
以下为译文
——part I 前言 （第II部分内容点此；第III部分内容点此）
动机
大多数人在小的时候被魔术师以及魔术技巧所迷住，并想弄明白其中的奥秘。有些人会带着这份迷恋研究到更深处并学习魔术技巧，有些人会接受专业的训练，而其他人会继续平庸下去。我在年幼时也尝试过魔术技巧并沉迷于其中，然而后来学习的是另外一种魔术，称作计算机编程。
超过一半的开发者是无师自通。我是在全职工作外学习这些计算机科学知识，当你已经工作后再尝试学习这些科目会是相当大的一个挑战。
MOOC而且/并不是学习编程的完全正确趋势。
机器学习
虽然在大二就开始自学机器学习，但当毕业后才意识到自己错过了许多基础知识。所以在同样情形下，我很高兴发现自己避免了这种情况的发生，但机器学习理论不像计算机科学世界那么容易驯服。MOOC
本文根据作者本身学习计算机科学的经验，给出了学习机器学习理论的这一系列文章，能够填补自主学习机器学习的理论与实践之间的差距，从而在征途上少一些艰辛。
这个系列是为了谁？
该系列意图是为了给机器学习理论方面提供简单的介绍，这将会对你是有利的，如果你是：
l
l
如果你是机器学习的初学者，这可能不是你的最佳起点。使用实际教程开始会更好。当你掌握了机器学习实践的窍门后，如果你觉得有必要，可以回到这里。
先决条件
理论需要数学知识，机器学习的理论也不例外。但是由于这仅仅是为了简单的介绍，不会钻研太深的数学分析，将更加注重理论的直觉与足够的数学知识以为了保持严谨。
大多数所需要的知识是：概率和随机变量，和微积分的基本知识。
注意事项
我仍然不是这个领域的专家，所以当你在这个系列中发现一些错误，请让我知道；
这仅仅是一个简单介绍，如果你想真正理解该领域，在阅读该系列的同时也要努力工作；
现在将机器学习问题快速公式化，以便建立起数学模型和框架
形式化学习问题
在这个系列中，将主要侧重有监督学习问题，数据集
iyixiyi的值。比如说xi是具体医学测量结果的特征向量，yi是病人是否为糖尿病，我们希望从给定的医学测试结果中诊断是否患有糖尿病。
为了建立理论框架，重新梳理下已经知道的内容
1 xi,yi
X(X)P(Y)；
2 XX
3 Y
根据这三点，可以定义统计模型，下图形式化的描述了模型的处理过程
目标函数
P
V
E[V|W]W
ζ表示噪声变量ζ
X
f=f(x)
f
假设
f
f
这是所有函数h
损失函数
损失函数是用来评估假设函数估计目标函数的效果如何，定义损失函数（代价函数）
该函数是将从特征向量x
h
在这里不称作经验误差的原因是如果使用E
泛化误差
我们的目标是学习总体数据集的概率分布，这意味着假设应该对采样出的新数据也会有低的错误。这也说明这些表现好的假设在总体概率分布上有好的泛化，定义泛化误差：
学习问题是否可解？
之间的绝对差的最小上界大于
的概率，若该概率足够小，则学习问题可解。
参考文献：
l James, Gareth, et al. An introduction to statistical learning. Vol. 6. New York:springer, 2013.
l Friedman, Jerome, Trevor Hastie, and Robert Tibshirani. The elements of statistical learning. Vol. 1. Springer, Berlin: Springer series in statistics, 2001.
l Mohri, Mehryar, Afshin Rostamizadeh, and Ameet Talwalkar. Foundations of machine learning. MIT press, 2012.
l Abu-Mostafa, Y. S., Magdon-Ismail, M., & Lin, H. (2012). Learning from data: ashort course
文章原标题《Machine Learning Theory - Part I》，作者：Mostafa Samir，译者：海棠
文章为简译，更为详细的内容，请查看原文
最后更新：2017-07-12 22:08:24