Coursera台大机器学习基础课程学习笔记.doc

Coursera台大机器学****基础课程学****笔记1 -- 机器学****定义及PLA算法
最近在跟台大的这个课程，觉得不错，想把学****笔记发出来跟大家分享下，有错误希望大家指正。
一机器学****是什么？
 
感觉和 Tom M. Mitchell的定义几乎一致，
A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.
简而言之，就是我们想要机器在某些方面有提高（如搜索排名的质量，即NDCG提高），就给机器一些数据（用户的点击数据等各种）然后让机器获得某些经验（Learning to rank的一种模型，也就是数学公式）。这里有点需要强调，那就是提高指标，必须要有某种指标可以量化这种提高，这点还是很关键的，工业界做机器学****首先关注data，其次就是有无成型的measurement，可以使Precision/Recall，也可以是NDCG等。
 
二什么时候可以用机器学****br/> 
其实就三要素：
有规律可以学****br/>编程很难做到；
有能够学****到规律的数据；
编程很难做到可以有多种，大部分原因是系统太复杂，很难用Rule-based的东西去解决，例如搜索排名，现在影响排名的因素有超多几百种，不可能去想出这些因素的规则，因此，这时候用机器学****就是恰到好处。特别是移动互联网的今天，用户更容易接触互联网，产生的数据越来越多，那么要找到某些不容易实现的规律，用机器学****就是很好的了，这也是为啥机器学****这么火，其实我学机器学****不仅仅是一种投资（肯定它未来的发展前途），我想做的事情还有一点，就是通过它更深刻的理解人脑的学****过程，提高自己的学****效率和思维能力。
 
三具体如何用机器学****br/> 
输入是两个：1 data；2 假设集合。Data如何使用？通过提取出feature vector来使用，也就是那个training examples，假设集合是用来选取最终f的。也就是说，输出就是f（或近似f）。
 
四第一个机器学****算法：PLA（Perceptron Learning Algorithm）
课程讲述这个算法的总体思路如下（典型的提出问题，分析问题以及解决问题）:
 
通过信用卡问题引入PLA；
对问题用数学抽象，并得到目标函数；
详细解释PLA迭代（学****过程；
证明PLA学****的过程可以收敛并会得到最优解；
分析PLA优缺点，并提出克服缺点的一些方法；
 
这个算法本质上是线性分类器，针对给定的feature vector给出Yes 或者 No的回答
下面是用这个算法去解决信用卡问题的数学抽象：
这里的思想在于朴素的把从用户信息抽出来的一些feature（年龄等）量化并组成vector，然后乘以一个权重向量，并设定一个阈值，大于这个阈值就表示好，小于表示不好，很明显这个式子的未知变量有两个（实际只有一个）：
权重向量 wi, 1<=i<=d;
阈值，下面设为0
做一点小小的变形使得式子更加紧凑，
还有就是从这个模型可以知道，regression model也可以解决classification问题，转化的思想。下面是这个算法的核心，定义了学****目标之后，如何学****这里的学****是，如何得到最终的直线去区分data？
 
这个算法的精髓之处在于如何做到"做错能改"，其循环是不断遍历feature vector，找到错误的点（Yn和当前Wt*Xn不符合），然后校正Wt，那么为什么要这样校正？因为这样可以保证Wt越来越靠近perfect直线Wf（）课程像大多数课本一样，用逆向思维给予介绍，就是在给定这样能够做的情况下去证明，即证明为什么这样做可以不断接近目标，以及最终一定会停止？
下面道出了PLA终止的条件：
  
这个是比较容易想到的，如果不能用直线去区分data（线性不可分），肯定是解决不了的，所以必须要满足线性可分，其实问题的关键在于如何方便的知道某些数据是否线性可分？这个在课程中目前没有涉及，一种简单的解决方法是画出来，直观的去看，这个我觉得不是好方法。
 
 
这两页PPT比较复杂，其实就是在利用条件证明，下面重新组织下给出思路，因为Latex用中文不太爽，就用英文了：
 
五 PLA的优缺点
为了应对Nois