目录
Video2: What is Machine Learning
Video3: Applications of Machine Learning
Video4: Components of Machine Learning
Video5: Machine Learning and Other Fields
Video1: Course Introduction
課程的設計
- 學習機器學習,如果單從理論或是應用,都會有缺點
- 單從理論: 離應用有距離
- 單從應用: 太多種算法,不知從何挑選
- 本課程從基礎開始,以故事的形式從哲學、數學、演算法、應用等多種角度切入
Video2: What is Machine Learning
人類、機器學習的類比
- 人類學習: 透過觀察,學習到一些技能
- 機器學習: 電腦透過數據、算法,模擬人類的學習過程
- 更具體的講,技能指的是表現的增進
機器學習使用的場景
- 機器學習是建立複雜系統的一種途徑
- 常見的幾個應用場景
- 規則太過複雜 (自動駕駛)
- 規則對人類來說難以理解 (語音、圖像辨識)
- 需要快速決策的應用場景 (高頻交易)
- 數據太過龐大 (自動行銷)
使用機器學習的條件
- 使用機器學習時,需要滿足幾個條件:
- 數據具有模式
- 難以透過人工建立規則
- 具有數據
Video3: Applications of Machine Learning
機器學習的各種應用 (食、衣、住、行)
- 使用 twitter 數據,建模預測餐廳發生食物中毒的可能性
- 使用服裝銷售、顧客調查數據,建模預測時尚的穿搭組合
- 使用房屋特性、能源消耗數據,建模預測建築設計的能耗
- 使用交通號誌的圖像數據,建模辨識交通號誌
機器學習的各種應用 (育、樂)
- 透過學生的答題數據,預測學生是否能正確解答特定題目
- 透過用戶行為,預測用戶喜歡的電影、歌曲
Video4: Components of Machine Learning
以信用卡發卡決策為例
- 透過情境來說明機器學習的幾個元件
- 以銀行決策是否發給客戶信用卡為例
符號表示
- x: 輸入,客戶的申請資料
- y: 輸出,客戶核卡後的表現
- f : 未知的模式,是我們希望得到的目標函數
- D: 數據,包含許多 x 與 y
- g : Hypothesis,透過機器學習能學到的函數
機器學習的流程
- 演算法 A 做的事情,是從特定的函數集合 H 中,挑選出其中最佳的函數
- 機器學習模型,指的通常是 [演算法 A] + [特定的函數集合 H]
Video5: Machine Learning and Other Fields
機器學習 vs. 資料探勘
- 機器學習: 著重在找出模式
- 資料探勘: 著重在找出有趣現象
- 兩個領域密不可分,相輔相成
機器學習 vs. 人工智慧
- 機器學習: 著重在找出模式
- 人工智慧: 著重在展現智慧的行為
- 機器學習是實現人工智慧的其中一種方式
機器學習 vs. 統計
- 機器學習: 著重在找出模式
- 統計: 透過數據,對未知的過程推論
- 統計可以被用來實現機器學習
- 統計更多是在數學假設下的特定推論