Machine Learning Foundations——林轩田Coursera 笔记1

学习:观察变为技能
机器学习:data变为skill(增强一些表现的技巧)
例如:股市数据——>更多的投资建议


为什么要学习机器学习?
实例理解:定义一棵树
我们知道是不是树,是通过自己大量的观察,而不是通过定义很多规则


ML使用情况:
1. 机器人送上火星的系统,我们不能通过预测火星的情况让机器人在火星上工作,只能让他自己去发现各种情况
2. 图片识别、语音识别
3. 高频率的决策
4. 人性化的服务,学习用户习惯服务用户

给电脑写规则相当于给电脑一条鱼吃,而机器学习则是教他钓鱼


ML是否应该使用关键:
1. 表现力一定是可以增进的,即一定要有个目标
2. 存在规则,但我们不知道怎么写出那些规则(婴儿哭没有规则)
3. 一定要有data(预测世界大战时间没有数据)


机器学习可以使用的领域:衣食住行育乐
1. food
data:Twitter data (word+location)
skill:餐厅卫生状况
2. clothing
data:sales figures+client surveys(时尚调查)
skill:时尚穿搭建议
3. Housing
data: 房子的形态+能量情况
skill:预测房子的耗能情况
4. Transportation
data:交通标示和含义
skill:无人驾驶
5. education
data:线上数学系统的学生的答题记录
skill:预测学生学习程度怎么样
6. entertainment
data:用户电影评价情况
skill:用户对于新电影打分情况

education,a possible ML solution 2012
答对=学生程度等级Strength>题目的难度difficulty
ML决定等级和年度

Netflix 2006 电影推荐
Yahoo 2011 电影推荐歌曲 学习到人们的喜好

entertainment, a possible ML solution
pattern:电影打分情况=类型+明星+。。。。
data——> pattern ——>rating


机器学习实例:
银行信用卡问题
基础定义:
input x 申请人信息
output y 是否发信用卡给申请人
f:X->Y 目标函数

data《=》信用卡基础记录
D:(x1,y1),(x2,y2)....
g: X->Y 得出pattern的函数
g是一个hypothesis 希望得到这个g

假设集:hypothesis set
g从hypothesis set选出最好效果的h1,h2,h3.....

ML具体定义:
use data to compute hypothesis g that approximates targets f


机器学习与其他领域的区别

  • ML与Data Mining
  • ML与Artificial Intelligence
  • ML与Statistics

发表评论

电子邮件地址不会被公开。