1.2 [what is machine learning?]
1.人:observation -->  learing  -->  skill
机器:data --> ML --> improved performance measure /skill
2.什么情况下适合使用机器学习:
(1)some 'underlying pattern' to be learned
(2)not easy(programmable) definition :不是很容易写出一些规则去处理
(3)data about the pattern : inputs
3.example(best suited ML):
(1)预测婴儿在下一次哪个时间点会哭?  no:  (1)no pattern
(2)判断一个图像中是否包含圆形?  yes   no: (2)很容易写definitioin/program
(3)判断是否给一个用户发放信用卡?  yes  :(1)user behavior (2)not easily program(3)data
(4)地球是否hi在未来十年因为滥用核能而毁灭? no: (3)no data yet

1.3[applications of ML]
1.Food(某家餐厅是否会引起食物中毒)
data:twitter+location
skill:tell food poisoning likeliness of restaurant
2.Clothing
data:sales figures销售数据 + client surveys顾客喜好
skill:give good recommendations to clients
3.Housing
data:characteristics of building and their energy load耗能状况
skill:predict energy load of other buildings closely
4.transportation
data:traffic sign images and meanings交通标志
skill:recognize traffic signs accurately
 5.Education
data:students' records on quizzes on a math tutoring system
skill:predict whether a student can give a correct answer to another quiz question
 
answer correctly~~[recent strength of student > difficulty of question]
data:9 million records from students
ML determines(reverse-engineers)  strength and difficult auto
6.Entertainment
data:how many users have rated some movies
skill:predict how a user would rate an unrated movie
 
data: 1亿 ratings that 480,189 users gave to 17,770 movies(Netflix 线上租赁DVD)
 1.4Formalize the learning problem
input:x->X
output:y->Y
f:X->Y
data: D{(x1,y1),(x2,y2),,,}
hypothesis -> skill  g:x->y
 
{(x n , y n )} from f  -->ML-->  g
A:algorithm
H:hypothesis     利用A从H的众多假设里选择一个最接近f的g.
 
1.5data mining数据挖掘/AI:Artificial Intelligence/Statistics
DM :use huge data to find property that is interesting
ML = DM(KDDCups)
AI:
ML can realize AI,
eg. 下棋:(传统方法:game tree; ML: learning from board data)
Statistics:use data to make inference about unknown process
    g is an inference outcome(预测推论的结果) ;f is something unknown

statistics can be used to achieve ML

[what is machine learning?]的更多相关文章

  1. 数据挖掘(data mining),机器学习(machine learning),和人工智能(AI)的区别是什么? 数据科学(data science)和商业分析(business analytics)之间有什么关系?

    本来我以为不需要解释这个问题的,到底数据挖掘(data mining),机器学习(machine learning),和人工智能(AI)有什么区别,但是前几天因为有个学弟问我,我想了想发现我竟然也回答 ...

  2. Example-based Machine Learning是什么?

    参考:https://christophm.github.io/interpretable-ml-book/proto.html EML简介 Example-based Machine Learnin ...

  3. 【Machine Learning】KNN算法虹膜图片识别

    K-近邻算法虹膜图片识别实战 作者:白宁超 2017年1月3日18:26:33 摘要:随着机器学习和深度学习的热潮,各种图书层出不穷.然而多数是基础理论知识介绍,缺乏实现的深入理解.本系列文章是作者结 ...

  4. 【Machine Learning】机器学习及其基础概念简介

    机器学习及其基础概念简介 作者:白宁超 2016年12月23日21:24:51 摘要:随着机器学习和深度学习的热潮,各种图书层出不穷.然而多数是基础理论知识介绍,缺乏实现的深入理解.本系列文章是作者结 ...

  5. 【Machine Learning】决策树案例:基于python的商品购买能力预测系统

    决策树在商品购买能力预测案例中的算法实现 作者:白宁超 2016年12月24日22:05:42 摘要:随着机器学习和深度学习的热潮,各种图书层出不穷.然而多数是基础理论知识介绍,缺乏实现的深入理解.本 ...

  6. 【机器学习Machine Learning】资料大全

    昨天总结了深度学习的资料,今天把机器学习的资料也总结一下(友情提示:有些网站需要"科学上网"^_^) 推荐几本好书: 1.Pattern Recognition and Machi ...

  7. [Machine Learning] Active Learning

    1. 写在前面 在机器学习(Machine learning)领域,监督学习(Supervised learning).非监督学习(Unsupervised learning)以及半监督学习(Semi ...

  8. [Machine Learning & Algorithm]CAML机器学习系列2:深入浅出ML之Entropy-Based家族

    声明:本博客整理自博友@zhouyong计算广告与机器学习-技术共享平台,尊重原创,欢迎感兴趣的博友查看原文. 写在前面 记得在<Pattern Recognition And Machine ...

  9. Machine Learning Algorithms Study Notes(6)—遗忘的数学知识

    机器学习中遗忘的数学知识 最大似然估计( Maximum likelihood ) 最大似然估计,也称为最大概似估计,是一种统计方法,它用来求一个样本集的相关概率密度函数的参数.这个方法最早是遗传学家 ...

随机推荐

  1. January 12th, 2018 Week 02nd Friday

    Nothing behind me, everything ahead of me, as is ever so on the road. 我的身后空空荡荡,整个世界都在前方,这就是在路上. That ...

  2. MVC设计模式在网站中的应用

    MVC设计模式在网站中的应用 以淘宝的购物车为例 一.结合六个基本质量属性 可修改性 采用MVC设计模式的时候,可以将视图.模型.控制器分析,将用户动作.数据表示.应用数据分离开来,如果用户需要以不同 ...

  3. Beta冲刺! Day3 - 砍柴

    Beta冲刺! Day3 - 砍柴 今日已完成 晨瑶:追查进度:确定推荐算法 昭锡:查看Note模块的处理逻辑.查找主页UI的解决方案 永盛:数据库的大量整合和新建,备份和还原:完成部分新的逻辑 立强 ...

  4. web自动化-窗口句柄及位置变化

    在进行web自动化时,很容易会遇到多窗口进行切换测试,下面就对多窗口的一些句柄和切换及窗口句柄顺序简单总结一下 from selenium import webdriver driver = webd ...

  5. webpack 开发环境与生成环境的 配置

    写在前面 最近学习react,之前做vue项目的时候,一直都是拿来主义,浑浑噩噩,感觉不太好,趁学习react的机会,在顺带学习一下webpack.一般配置文件分两份,为开发环境和生成环境.有此区分, ...

  6. Android平台调用Web Service:线程返回值

    接上文 前文中的遗留问题 对于Java多线程的理解,我曾经只局限于实现Runnable接口或者继承Thread类.然后重写run()方法.最后start()调用就算完事,可是一旦涉及死锁以及对共享资源 ...

  7. centos7下安装docker(12.2自定义网络)

    通常默认的情况下我们使用的是docker的bridge的网络,用户也可以根据自己的业务需要,创建user-defined docker 提供三种user-defined网络驱动:bridge,over ...

  8. webstorm 设置 sass自动编译问题

    sass语法.使用它带来的好处,就不再这里做介绍了,主要看怎么在webstorm里配置自动编译. sass编译是需要Ruby环境的,可以到这里去下载  :  https://rubyinstaller ...

  9. (转)yum提示Another app is currently holding the yum lock; waiting for it to exit...

    文章转自 yum 下载东西突然卡主了,我直接ctrl+c退出,然后再次下载时候出现 Another app is currently holding the yum lock; waiting for ...

  10. 关于mysql中字符集和排序规则说明

    文章转自 http://blog.csdn.net/smallSBoy/article/details/52997138 数据库需要适应各种语言和字符就需要支持不同的字符集(Character Set ...