Course Introduction
- 机器学习是一门理论与实践结合的学科,不能讲的太理论,这样就会无聊,不知道如何用在实际的问题上.
- 不能全讲机器学习的方法,这样的话在遇到实际问题时,不知道用那个方法
- 面向基础(foundation oriented)
- 基石包括:哲学上的思想,数学工具,演算法的设计与使用.
- when,why,how,how better
- 学习完之后,你可以使用机器学习到你的领域,学习机器学习的理论,学习机器学习的演算法.
When Can Machines Learn?(何时可以使用机器学习)
The learning problem(机器学习问题)
What is Machine Learning
-
学习例子 听课,看书,学到东西
-
学习共性:从观察出发(听,视…),经过脑袋,变成技巧.(人类或者其它生物的学习,大概可以被这个框架所涵盖住.)
-
机器学习是我们想来模仿类似的过程
-
机器的观察就是资料.
-
技巧是什么?
-
技巧是:某一种表现的提高(例如预测精度/学了数学,数学考试分数更高)
-
我们想要电脑做某一件事(如预测股票,如果预测的好,赚到钱了,就可以说电脑学到东西了)
-
为什么要用机器学习?
-
定义一棵树,写下来(如果要编程实现辨识一棵树的话,必须要把它的定义写下来)
-
定义一棵树太难了,我们小时候学习不是全通过规则,而是通过观察+规则做到的
-
机器学习有时候比手写程序更简单 ML:构建复杂系统的另一条道路.
-
教机器钓鱼,而不是给他鱼吃.
-
机器学习的关键,机器学习不一定适用在每一个地方
- 存在隐藏的模式
- 不容易编程解决
- 有数据
Applications of Machine Learning(机器学习的应用)
- 上面是一些机器学习的例子,ML无处不在
- 根据学生答题的记录,推测出学生的能力和题目的困难度.
Components of Machine Learning
- 这一节是从抽象到具体的讲解机器学习问题
- 银行根据客户的资料,决定是不是给他发信用卡.
- 将学习问题正式化,符号化.
- 输入x
- 输出y
- 目标函数 f
- 数据(x1,y1)
- 假设 g
- f 不知道
- g和f越像越好
- g的集合叫做H
- 演算法的输入 D and H
- 演算法会选一个它认为是最好的,但不一定是最好的,要通过(validation)
- model = A+H
Machine Learning and Other Fields
- Data Mining 找到一些有趣的事情.(啤酒和尿布的故事)
- 做看起来是智能的事情.机器学习是实现人工智能的方法之一.
- 统计是实现机器学习的一种方法
- 机器学习通过data找到一个g,这个g与f越接近越好.机器学习可以用在很多地方,机器学习的核心是A从D和H中得到g,机器学习和许多其它的领域有关系.下一课讲一个模型.