文章原創(chuàng),最近更新：2018-06-26
學(xué)習(xí)鏈接:
1.2 The Learning Problem- What Is Machine Learning
1.Roadmap(路線圖)
課程的介紹,什么時(shí)候使用機(jī)器學(xué)習(xí)?有什么應(yīng)用?有哪些重要的遠(yuǎn)見?及其機(jī)器學(xué)習(xí)其他領(lǐng)域的關(guān)系?
翻譯:
When Can Machines Learn?
什么時(shí)候使用機(jī)器學(xué)習(xí)?
Lecture 1: The Learning Problem
講座1：學(xué)習(xí)問題
Course Introduction
課程介紹
What is Machine Learning
什么是機(jī)器學(xué)習(xí)钢拧？
Applications of Machine Learning
機(jī)器學(xué)習(xí)的應(yīng)用
Components of Machine Learning
機(jī)器學(xué)習(xí)的組成部分
Machine Learning and Other Fields
機(jī)器學(xué)習(xí)和其他領(lǐng)域
2.From Learning to Machine Learning(從學(xué)習(xí)到機(jī)器學(xué)習(xí))
先思考一個(gè)問題,到底什么是機(jī)器學(xué)習(xí)?
比如看一本書,有什么樣的知識點(diǎn),經(jīng)過腦袋的轉(zhuǎn)換,變成我們會(huì)的知識.也許是數(shù)學(xué)也許是英文.
由此可以得到學(xué)習(xí)是觀察出發(fā),聽覺是一種觀察,視覺也是一種觀察,也許嗅覺和觸覺,都是一種觀察.從觀察出發(fā),經(jīng)過腦袋的內(nèi)化,最后變成有用的技巧.這個(gè)就是一個(gè)學(xué)習(xí)的過程.
這是腦袋的學(xué)習(xí),人類或其他生物大體都可以被這個(gè)框架涵蓋進(jìn)去.
從觀察到學(xué)習(xí)轉(zhuǎn)化成有用的技能.
機(jī)器學(xué)習(xí)的主體不是人,也不是生物,主體是電腦.電腦也是經(jīng)過環(huán)境的觀察,最后變成電腦有用的技能.
電腦的觀察是什么呢?通常是資料.機(jī)器學(xué)習(xí)就是將資料拿來處理,變成有用的技巧.
機(jī)器學(xué)習(xí)說穿了就是模擬以及模仿的過程.
3.A More Concrete Definition(更具體的定義)
那么到底什么是技巧呢?
將技巧進(jìn)行詳細(xì)的定義:就是增進(jìn)某種技能的表現(xiàn).
比如學(xué)會(huì)數(shù)學(xué),讓計(jì)算更加準(zhǔn)確,比如學(xué)會(huì)英文,讓英文更加流利.
比如讓電腦去預(yù)測股票,預(yù)測的表現(xiàn)變好了,則電腦學(xué)到了東西.
通過機(jī)器學(xué)習(xí)的過程我們學(xué)到的技巧是某一種表現(xiàn)的增進(jìn).
機(jī)器學(xué)習(xí)的過程是從資料出發(fā),經(jīng)過電腦的計(jì)算之后,最終得到某一種表現(xiàn)的增進(jìn).
例如股票的例子,比如前10年的股票數(shù)據(jù),經(jīng)過電腦的一番分析,知道股市的上漲以及下跌是怎么走的,想知道是怎么投資?
如果能掙到錢,那么機(jī)器真的學(xué)到了一些東西.
這是我們希望機(jī)器學(xué)習(xí)能夠做到的事情.
這個(gè)機(jī)器學(xué)習(xí)的的技能還是不完善的,但是在未來我們會(huì)慢慢定義完善.
4.Yet Another Application: Tree Recognition:(另一個(gè)應(yīng)用：樹識別)
那么為什么要使用機(jī)器學(xué)習(xí)呢?不可以用其他理工科的工具么?為什么機(jī)器學(xué)習(xí)這樣的工具有用?那么想想在哪些領(lǐng)域里,機(jī)器學(xué)習(xí)是特別有用?
首先從簡單的一個(gè)例子看看,以下這張圖是什么?
絕大多的人會(huì)回答,這是一棵樹.
但是思考一下,你是如何定義一棵樹的,寫下來.
需要寫一個(gè)程式,這個(gè)程式需要自動(dòng)的變式一張圖里面有沒有一棵樹.這里就需要數(shù)學(xué)定義,然后變成電腦看得懂的程式,電腦依據(jù)這個(gè)程式執(zhí)行,最后識別出來是一棵樹.
如果想寫一棵樹的變式程序,不是一件容易的工作.
需要自己對樹進(jìn)行很多的觀察,看了很多樹以及不是樹等等之后,然后分析出來的是不是一棵樹.3歲小孩差不多就可以辨認(rèn)了.
機(jī)器學(xué)習(xí)是讓機(jī)器自己學(xué)習(xí),比我們自己寫100行的程式代碼來的簡單.
讓機(jī)器自己去分析資料,自己學(xué)會(huì)怎么做這些事情.
5.The Machine Learning Route(機(jī)器學(xué)習(xí)路線)
機(jī)器學(xué)習(xí)有可能是以下方向的應(yīng)用,用機(jī)器學(xué)習(xí)來做復(fù)雜的計(jì)算系統(tǒng),不知道應(yīng)該怎么做?我們就想辦法用機(jī)器學(xué)習(xí)來做.
有些系統(tǒng)我們是真的想不到把規(guī)則寫詳細(xì)?
比如將機(jī)器人送到上火星,以我們?nèi)祟悓鹦堑牧私?其實(shí)是很有限的,機(jī)器人送上火星之后會(huì)遇到什么樣的狀況?
不可能寫出1000條或者更多的程序的代碼要求機(jī)器人到火星應(yīng)該怎么做.需要機(jī)器人到火星那里觀察環(huán)境,再?zèng)Q定做什么事情.需要機(jī)器與環(huán)境進(jìn)行互動(dòng)來達(dá)到更好的表現(xiàn).
有時(shí)候不容易寫出這些程序規(guī)則,比如視覺以及聲音的辨識.需要機(jī)器自動(dòng)的學(xué)習(xí)辨識的技能.
再比如有些應(yīng)用是人類想都沒想過的領(lǐng)域,比如股市交易.(十秒鐘要電腦做個(gè)決定是要買還是賣,人做決定都沒沒那么快.)
大量的服務(wù)就需要使用到機(jī)器學(xué)習(xí),比如網(wǎng)上的應(yīng)用有非常多的使用者.但是很難知道使用者是什么樣的個(gè)性,張三是什么樣的個(gè)性?是怎么服務(wù)他的?李四又是什么樣的個(gè)性?人是不可能一開始就想好這些事情的.只能讓張三李四以前使用的歷程是怎么樣的?怎么服務(wù)他們最好?
機(jī)器學(xué)習(xí)有點(diǎn)像教電腦進(jìn)行釣魚,教它機(jī)器學(xué)習(xí)的方法,電腦可以幫我們解決各式各樣的問題.
6.Key Essence of Machine Learning(機(jī)器學(xué)習(xí)的關(guān)鍵本質(zhì))
機(jī)器學(xué)習(xí)有三個(gè)關(guān)鍵,在以后處理機(jī)器學(xué)習(xí)問題的時(shí)候就知道自己是否適合用機(jī)器學(xué)習(xí).
第一個(gè)關(guān)鍵是有某種效能或表現(xiàn)可以進(jìn)行增進(jìn).比如有些潛藏的模式可以學(xué)的.
第二個(gè)關(guān)鍵是有這樣的規(guī)則,但是不知道應(yīng)該怎么寫下來.
第三個(gè)關(guān)鍵是機(jī)器學(xué)習(xí)是一切從資料開始的.
7.Fun Time
來個(gè)小測驗(yàn)吧!下面的問題中的哪一個(gè)適合機(jī)器學(xué)習(xí)?
第一個(gè)問題是預(yù)測小嬰兒哭的時(shí)候在偶數(shù)還是奇數(shù)分鐘哭?
第二個(gè)問題是給一個(gè)抽象圖,里面有沒有一個(gè)圓圈?
第三個(gè)問題是某家銀行是否給顧客信用卡?
第四個(gè)問題是地球上有使用核能,在未來幾年會(huì)不會(huì)因?yàn)槭褂煤四?地區(qū)會(huì)進(jìn)行毀滅?
想一想,正確的答案是3
第一個(gè)問題是預(yù)測小嬰兒偶數(shù)還是奇數(shù)分鐘哭是沒有什么規(guī)則的.
第二個(gè)問題是給一個(gè)抽象圖,里面有沒有一個(gè)圓圈,是很輕易的寫一個(gè)程式,不需要機(jī)器進(jìn)行學(xué)習(xí).
第三個(gè)問題是銀行有過去顧客的資料比較適合機(jī)器學(xué)習(xí).
第四個(gè)問題是地球核能資料很少而且,地球也沒有進(jìn)行毀滅.
