歡迎關(guān)注公眾號(hào)-AI圈終身學(xué)習(xí)。
公眾號(hào)首頁(yè)回復(fù)“機(jī)器學(xué)習(xí)”查看所有系列文章。

機(jī)器學(xué)習(xí)基石課程大概八周，分為四個(gè)部分：

• When Can Machines Learn?
• Why Can Machines Learn?
• How Can Machines Learn?
• How Can Machines Learn Better?

課程主頁(yè):
http://www.csie.ntu.edu.tw/~htlin/

本節(jié)筆記Lecture 1-The Learning Problem包含內(nèi)容如下：

• When Can Machines Learn?(什么時(shí)候用機(jī)器學(xué)習(xí))
  • What is Machine learning(什么是機(jī)器學(xué)習(xí))
  • Applications of Machine Learning(機(jī)器學(xué)習(xí)應(yīng)用)
  • Components of Machine Learning(機(jī)器學(xué)習(xí)組成部分)
  • Machine Learning and Other Fields(機(jī)器學(xué)習(xí)和其他領(lǐng)域)

一、什么是機(jī)器學(xué)習(xí)（What is Machine Learning）

機(jī)器學(xué)習(xí)和學(xué)習(xí)的異同是什么？首先學(xué)習(xí)和機(jī)器學(xué)習(xí)的共通性就是觀察，他們也有差異性。

1.1 學(xué)習(xí)的流程

學(xué)習(xí)的主體是人，人通過(guò)觀察(聽、觀、觸覺)出發(fā)，經(jīng)過(guò)腦袋的內(nèi)化轉(zhuǎn)化，變成有用的技能。流程圖如下：

image

1.2 機(jī)器學(xué)習(xí)的流程

機(jī)器學(xué)習(xí)的主體是電腦，電腦通過(guò)觀察資料(語(yǔ)料)，經(jīng)過(guò)電腦的CPU運(yùn)作，變成對(duì)電腦有用的技能。流程圖如下：

image

什么是“變成有用的技能”？技能就是在某種領(lǐng)域做事靠譜，比如

• 對(duì)于人，自己的英語(yǔ)能力、數(shù)學(xué)能力得到了提高
• 對(duì)于電腦，預(yù)測(cè)股票的能力得到了提高

因此機(jī)器學(xué)習(xí)更準(zhǔn)確的定義是：
通過(guò)觀察計(jì)算有規(guī)律的數(shù)據(jù)，根據(jù)某種評(píng)價(jià)指標(biāo)，提升電腦性能。
流程圖如下：

image

1.3機(jī)器學(xué)習(xí)的三個(gè)關(guān)鍵要素

什么時(shí)候適合使用機(jī)器學(xué)習(xí)，林老師總結(jié)三個(gè)關(guān)鍵要素如下：

1. 編程定義不明確，普通編程難以完成的任務(wù)
2. 資料數(shù)據(jù)具有某種潛藏的規(guī)律，可以學(xué)習(xí)
3. 有關(guān)于潛藏的規(guī)律資料數(shù)據(jù)

(測(cè)試題)下面哪種情況最適合使用機(jī)器學(xué)習(xí)？

1. 預(yù)測(cè)小女孩下一次哭的時(shí)間是奇數(shù)還是偶數(shù)(No,沒有規(guī)律)
2. 判斷一個(gè)圖是否有環(huán)(No,可以編程定義明確)
3. 預(yù)測(cè)下一個(gè)十年地球是否會(huì)毀滅(No,沒有數(shù)據(jù))
4. 決定是否同意給用戶辦理信用卡(Yes，有用戶歷史行為數(shù)據(jù)且難以編程解決)

二、機(jī)器學(xué)習(xí)應(yīng)用（Applications of Machine Learning）

• 衣(Abu-Mostafa, 2012)
  • 技能：穿衣搭配推薦
  • 數(shù)據(jù)：衣服銷售數(shù)字+顧客調(diào)差反饋
• 食(Sadilek et al., 2013)
  • 技能：正確告訴餐廳食物中毒的可能性
  • 數(shù)據(jù)：用戶的Twitter數(shù)據(jù)(評(píng)論的文字+餐廳地點(diǎn))
• 住(Tsanas and Xifara, 2012)
  • 技能：預(yù)測(cè)建房所需能源消耗
  • 數(shù)據(jù)：歷史修建房屋的能源消耗數(shù)據(jù)
• 行(Stalkamp et al., 2012)
  • 技能：識(shí)別交通信號(hào)
  • 數(shù)據(jù)：交通信號(hào)圖片和含義數(shù)據(jù)

除此之外，還有教育(流利說(shuō))、金融(信用卡辦理)、醫(yī)療(藥效預(yù)測(cè))、法律(摘要)、娛樂(推薦系統(tǒng))等各種行業(yè)。

二、機(jī)器學(xué)習(xí)組成部分（Components of Learning）

image

以信用卡辦理為例，任務(wù)是給要用信用卡花錢的用戶辦理。機(jī)器學(xué)習(xí)組件如下：

• 輸入X(銀行用戶數(shù)據(jù)特征，如年齡、性別、工資等)
• 輸出Y(辦卡后刷還信用卡的好壞)
• 訓(xùn)練數(shù)據(jù)
• 目標(biāo)函數(shù)(理想的函數(shù)，表示實(shí)際訓(xùn)練數(shù)據(jù)的分布規(guī)律，但是未知)
• 假設(shè)集合H(hypothesis set)，我們需要通過(guò)算法學(xué)到集合中最佳的假設(shè)，其對(duì)應(yīng)的函數(shù)為我們希望最終的模型表達(dá)式。

機(jī)器學(xué)習(xí)整個(gè)流程可以表示如下：

image

比如以上面的信用卡辦理為例，假設(shè)其中的hypothesis set H為：

• h1: 年薪 > 80萬(wàn)
• h2: 欠款 > 10 萬(wàn)
• h3: 工齡 < 2年

我們的H中的假設(shè)有好有壞，我們通過(guò)演算法A去選擇最好的一個(gè)作為g。

因此我們?cè)跈C(jī)器學(xué)習(xí)中常說(shuō)的模型是 演算法A+假設(shè)集合H。

我們?cè)僖灶A(yù)測(cè)用戶給歌曲打分(0-100分)為例，我們有：

訓(xùn)練數(shù)據(jù)D = 100萬(wàn)條((userid, songid), rating)對(duì)
輸入X = 所有可能的(userid, songid)對(duì)
輸出Y = [0, 100]
假設(shè)集合H = 將用戶因素和歌曲因子相乘，并由所有可能的因素組合索引

我們以訓(xùn)練數(shù)據(jù)D為入口，通過(guò)演算法A選出H中最好的假設(shè)得到g。

image

四、機(jī)器學(xué)習(xí)和其他領(lǐng)域（Machine Learning and Other Fields）

• 機(jī)器學(xué)習(xí)與統(tǒng)計(jì)

image

• 機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘

image

• 機(jī)器學(xué)習(xí)與人工智能

image

總結(jié)來(lái)說(shuō)：

• 統(tǒng)計(jì)可以實(shí)現(xiàn)機(jī)器學(xué)習(xí)
• 機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘相互纏繞，難以區(qū)分
• 機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種方式

五、總結(jié)

image

本節(jié)主要概括性的講了機(jī)器學(xué)習(xí)的方方面面，高層籠統(tǒng)，概念清晰，沒有太多技術(shù)性的東西。