何謂機器學習

對一份有特徵的資料進行判斷

舉例 人 => 身高 ,體重, 腰圍 -> 是否過重, 是否健康 過往我們依賴專家的意見，如 BMI 異常或腰圍來判斷，但這樣的判斷模式，容易受限於規模， 身高 ,體重, 腰圍, 血紅素數值, 血小板數值... 體檢列表可以列出上千上百種指數，我們也可以針對各個數值判讀，通常每個數值也會也有對應的好壞區間， 但，假設，有一種人們還不知到的特殊的連結，在身高和血紅素數值間，身高介於 150 - 155 ，血紅素數值介於 12 - 12.25 ， 有高機率患有特殊疾病， ; TODO

資料 -> 結果 = 方法

假設有一個被設計好的判斷方法可以判別問題的結果，我們是否能夠模仿這個方法？

先決條件是：這個方法我們還未知。 如果已經知道這個方法的確切模樣，那直接套用方法就好。

大量的資料很重要，需要反覆驗證，大量練習。 想要什麼樣的結果，如果沒辦法精準定義結果，你會訓練出好像可以又好像不行的東西。

{(xn, yn)} from f -> ML -> g xn: 因 yn: 果 f: 神妙而不可知的因果關係 g: 我們對這種神妙的猜想

其中 yn 是 f 產生的。 透過 ML 找到跟 f 接近的 g。 換句話說，因果之間存在某種被規定好的關係，但這個神妙而不可知的因果關係我們沒辦法看透，所以只能透過資料和結果，自己腦補中間的關係。

可能信無限多種

hypothesis set 找到最好的 hypothesis 我們稱之為 g

Lecture 2

Perceptron

感知機，這個名字本身不重要，只是歷史因素遺留下來的慣用名字

g = sign(Sigma 1 ~ N(W_i X_i) - threshold) = sign(Sigma 0 ~ N(W_i X_i)) // W_0 = -threshold, X_0 = 1 = sign(W^T*X)