[課程筆記] 機器學習基石 - W1.The Learning Problem

目录

Video1: Course Introduction

課程的設計

Video2: What is Machine Learning

人類、機器學習的類比

機器學習使用的場景

使用機器學習的條件

Video3: Applications of Machine Learning

機器學習的各種應用 (食、衣、住、行)

機器學習的各種應用 (育、樂)

Video4: Components of Machine Learning

以信用卡發卡決策為例

符號表示

機器學習的流程

Video5: Machine Learning and Other Fields

機器學習 vs. 資料探勘

機器學習 vs. 人工智慧

機器學習 vs. 統計

參考

---

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

參考

1. 機器學習基石上 (Machine Learning Foundations)---Mathematical Foundations | Coursera