【01】When can ML?The Learning Problem
- 课程设计
- 什么是ML
- ML的应用
- Components of ML
- ML与其他的领域相关性
1 课程设计
理论和实际的相结合:
- 基石偏理论,技法偏实际应用算法
- ML的哲学理念体现、主要理论、核心技术(算法)、实际应用
- 主讲:
1)When can Machines Learn(ML)?()
2)Why can ML?
3)How can ML?
4)How to be better 性能如何提高?
2 什么是机器学习
-
【对比】
1)人的学习:Materials(观察-经验)——Learning——skill(通过学习材料,观察等——通过学习得到技能)
2)机器学习:data——ML——skill(机器学习也就是通过data数据来获取经验E(类似黑匣子中的原理),然后得到相应的效果skiill来进行分析) -
【应用】(编好算法程序,机器只需要时间让他运行,我们就能知道最终的结果or达到我们想要的效果)
1) 树的特征辨识
2) 火星车控制
3) 语音/图像识别
4) High-Frequency trading决策(人类无法做的,淘宝双十一的背后隐藏类似的么?)
5) 市场分析-consumer targeted marketing -
【机器学习三大要素】判断可否用机器学习
1) 含有潜在模式 Pattern
2) no programmable definition(回看视频)
3) 有表征模式的数据Data
3 应用领域
- Food
- clothing
- housing
- transportation
- Education(MOOC课程的quizzes批改就可以使用到)
- Entertainment:推荐系统(豆瓣猜!)
4 Components of ML
- 数据data(输入)
- 输出
- 内在的Hypothesis
机器学习就是通过训练数据,在一些列的假设中找到最好的假设,然后用于判断测试的数据,得到输出结果。
【插图】
5 ML与其他领域
- ML use data to compute hypothesis g that approximates target f
- DM Data Mining (use(huge)data to find property that is interesting)
- AI (compute something that shows intelligent behavior)
- Statistics 统计学 (use data to make inference about an unknown process)
前后对比,发现都息息相关啊!
总结
【插图】
感谢台大林轩田老师及其团队的贡献!
Jeremy
2014.12.24