文章原创,最近更新：2018-06-26
学习链接:
1.2 The Learning Problem- What Is Machine Learning
1.Roadmap(路线图)
课程的介绍,什么时候使用机器学习?有什么应用?有哪些重要的远见?及其机器学习其他领域的关系?
翻译:
When Can Machines Learn?
什么时候使用机器学习?
Lecture 1: The Learning Problem
讲座1：学习问题
Course Introduction
课程介绍
What is Machine Learning
什么是机器学习？
Applications of Machine Learning
机器学习的应用
Components of Machine Learning
机器学习的组成部分
Machine Learning and Other Fields
机器学习和其他领域
2.From Learning to Machine Learning(从学习到机器学习)
先思考一个问题,到底什么是机器学习?
比如看一本书,有什么样的知识点,经过脑袋的转换,变成我们会的知识.也许是数学也许是英文.
由此可以得到学习是观察出发,听觉是一种观察,视觉也是一种观察,也许嗅觉和触觉,都是一种观察.从观察出发,经过脑袋的内化,最后变成有用的技巧.这个就是一个学习的过程.
这是脑袋的学习,人类或其他生物大体都可以被这个框架涵盖进去.
从观察到学习转化成有用的技能.
机器学习的主体不是人,也不是生物,主体是电脑.电脑也是经过环境的观察,最后变成电脑有用的技能.
电脑的观察是什么呢?通常是资料.机器学习就是将资料拿来处理,变成有用的技巧.
机器学习说穿了就是模拟以及模仿的过程.
3.A More Concrete Definition(更具体的定义)
那么到底什么是技巧呢?
将技巧进行详细的定义:就是增进某种技能的表现.
比如学会数学,让计算更加准确,比如学会英文,让英文更加流利.
比如让电脑去预测股票,预测的表现变好了,则电脑学到了东西.
通过机器学习的过程我们学到的技巧是某一种表现的增进.
机器学习的过程是从资料出发,经过电脑的计算之后,最终得到某一种表现的增进.
例如股票的例子,比如前10年的股票数据,经过电脑的一番分析,知道股市的上涨以及下跌是怎么走的,想知道是怎么投资?
如果能挣到钱,那么机器真的学到了一些东西.
这是我们希望机器学习能够做到的事情.
这个机器学习的的技能还是不完善的,但是在未来我们会慢慢定义完善.
4.Yet Another Application: Tree Recognition:(另一个应用：树识别)
那么为什么要使用机器学习呢?不可以用其他理工科的工具么?为什么机器学习这样的工具有用?那么想想在哪些领域里,机器学习是特别有用?
首先从简单的一个例子看看,以下这张图是什么?
绝大多的人会回答,这是一棵树.
但是思考一下,你是如何定义一棵树的,写下来.
需要写一个程式,这个程式需要自动的变式一张图里面有没有一棵树.这里就需要数学定义,然后变成电脑看得懂的程式,电脑依据这个程式执行,最后识别出来是一棵树.
如果想写一棵树的变式程序,不是一件容易的工作.
需要自己对树进行很多的观察,看了很多树以及不是树等等之后,然后分析出来的是不是一棵树.3岁小孩差不多就可以辨认了.
机器学习是让机器自己学习,比我们自己写100行的程式代码来的简单.
让机器自己去分析资料,自己学会怎么做这些事情.
5.The Machine Learning Route(机器学习路线)
机器学习有可能是以下方向的应用,用机器学习来做复杂的计算系统,不知道应该怎么做?我们就想办法用机器学习来做.
有些系统我们是真的想不到把规则写详细?
比如将机器人送到上火星,以我们人类对火星的了解,其实是很有限的,机器人送上火星之后会遇到什么样的状况?
不可能写出1000条或者更多的程序的代码要求机器人到火星应该怎么做.需要机器人到火星那里观察环境,再决定做什么事情.需要机器与环境进行互动来达到更好的表现.
有时候不容易写出这些程序规则,比如视觉以及声音的辨识.需要机器自动的学习辨识的技能.
再比如有些应用是人类想都没想过的领域,比如股市交易.(十秒钟要电脑做个决定是要买还是卖,人做决定都没没那么快.)
大量的服务就需要使用到机器学习,比如网上的应用有非常多的使用者.但是很难知道使用者是什么样的个性,张三是什么样的个性?是怎么服务他的?李四又是什么样的个性?人是不可能一开始就想好这些事情的.只能让张三李四以前使用的历程是怎么样的?怎么服务他们最好?
机器学习有点像教电脑进行钓鱼,教它机器学习的方法,电脑可以帮我们解决各式各样的问题.
6.Key Essence of Machine Learning(机器学习的关键本质)
机器学习有三个关键,在以后处理机器学习问题的时候就知道自己是否适合用机器学习.
第一个关键是有某种效能或表现可以进行增进.比如有些潜藏的模式可以学的.
第二个关键是有这样的规则,但是不知道应该怎么写下来.
第三个关键是机器学习是一切从资料开始的.
7.Fun Time
来个小测验吧!下面的问题中的哪一个适合机器学习?
第一个问题是预测小婴儿哭的时候在偶数还是奇数分钟哭?
第二个问题是给一个抽象图,里面有没有一个圆圈?
第三个问题是某家银行是否给顾客信用卡?
第四个问题是地球上有使用核能,在未来几年会不会因为使用核能,地区会进行毁灭?
想一想,正确的答案是3
第一个问题是预测小婴儿偶数还是奇数分钟哭是没有什么规则的.
第二个问题是给一个抽象图,里面有没有一个圆圈,是很轻易的写一个程式,不需要机器进行学习.
第三个问题是银行有过去顾客的资料比较适合机器学习.
第四个问题是地球核能资料很少而且,地球也没有进行毁灭.
