[机器学习]林轩田机器学习基石课程学习笔记1 -- The Learning Problem( 二 )

2020-04-04

本文插图

Applications of Machine Learning
机器学习在我们的衣食住行等各个方面中都有应用。
（1）Food：
数据来源：推特（评价+定位）
功能：了解这家饭店食物的味道如何
（2）Clothing
数据：商品的图片、用户穿搭
功能：告诉我们怎样去搭配衣服才能更加Fashion
（3）Housing
数据：房子的建筑特点、使用的能源
功能：预测房子在节能减排上面的能力
（4）Transportation
数据：交通灯的图片和含义
功能：准确识别交通灯信号

本文插图

上面只是举一些例子，当然这样子的例子还有很多!
机器学习在教育上的应用
数据：学生在上网课中的一些记录，答题记录和上课记录等
功能：预测学生会哪些内容，不会哪些内容，并推荐一些资料。
那么机器学习要如何去设计呢？

从3000学生中给出900万数据
利用机器学习去自动确定问题的难度等

[机器学习]林轩田机器学习基石课程学习笔记1 -- The Learning Problem

本文插图

娱乐方面的应用，推荐系统
数据：有多少用户喜欢什么电影
功能：预测一个用户有多大概率喜欢一个没看过的电影

[机器学习]林轩田机器学习基石课程学习笔记1 -- The Learning Problem

本文插图

那么电脑是如何去学习这些特征呢？
利用模型将用户和电影用一串特征来描述，对两串特征求内积，如果相乘的分数高，则会给非常高的推荐分数。但是我们没有办法去定义这些特征，所以机器学习通过以往的数据，去学习这些特征，并预测用户有多喜欢这部电影。

[机器学习]林轩田机器学习基石课程学习笔记1 -- The Learning Problem

本文插图

测试&答案
机器在以下哪些领域用不到？
1、金融（预测股市）
2、医疗（预测药效）
3、法律（从公文书自动给出摘要，便于搜寻和阅读）
4、不是上述的任何一个 yes

[机器学习]林轩田机器学习基石课程学习笔记1 -- The Learning Problem

本文插图

[机器学习]林轩田机器学习基石课程学习笔记1 -- The Learning Problem

本文插图

Components of Machine Learning 如何公式化机器学习的问题
基础的术语：

输入：x（用户的行为）
输出：y（根据预测结果好/坏，决定是否要发卡）
目标函数：f ，未知的规则--->目标函数
数据，训练样本（过去收集的数据）
假说，选择一个最佳的假说对应的函数称为矩g ， g能最好地表示事物的内在规律，也是我们最终想要得到的模型表达式

[机器学习]林轩田机器学习基石课程学习笔记1 -- The Learning Problem

本文插图

机器学习流程图：

[机器学习]林轩田机器学习基石课程学习笔记1 -- The Learning Problem

本文插图

从未知规律的数据中，通过学习算法去挖掘，让最终的 g 接近 f
注意点：

目标函数， f是未知
假说是希望g尽可能的接近f ，但是可能还是不同于f

举例，以信用卡为例

推荐阅读

上一篇：『吸尘器』智能、强劲更全能，小狗智能无线吸尘器T12线上发布震撼亮相

下一篇：药品@搭载京东健康线上化通道东阳光集团、远大医药跑出抗疫“生死时速”