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. Team Dipper

    Team Dipper Dipper 来自追梦的7星,We Are From Now On! 说什么?图小了?没问题满足你! No.1 沉默深邃之境的术士,源自奥术之境的PHP探寻者 03150225 ...

  2. 17秋 软件工程 团队第五次作业 Alpha Scrum4

    17秋 软件工程 团队第五次作业 Alpha Scrum4 今日完成的任务 世强:部门基础信息模块数据更新.部门审核提交: 港晨:设计编写登录界面的一部分: 树民:学习python基本语法.flask ...

  3. arcgis api for javascript中使用proxy.jsp

    当我们使用arcgis api for javascript 查询arcgis服务时,如果查询的参数很长时,通过get方式提交会查询不到结果,因为get方式提交的参数有长度限制,需要通过代理的方式使用 ...

  4. C# 响应微信发送的Token验证,文字、图文自动回复、请求客服对话.....

    代码如下,有需要的可以参考: using System; using System.Collections.Generic; using System.Linq; using System.Web; ...

  5. 怎样使用CSS3媒体查询(Media Queries)制作响应式网站

    自本周开始博主将开始同大家一起研究响应式web设计,CSS3 Media Queries是入门,本周更新,博主将给大家分享media queries的一些常用的用法及注意事项. Media Queri ...

  6. ucml 连接虚字段

  7. Linux_修改hosts

    文章转自 https://blog.csdn.net/mikyz/article/details/69399987 Windows用户XP的在C盘 C:WINDOWS/system32/drivers ...

  8. docker官方文档笔记

    Docker在 CentOS7.X上运行.Docker可能在其他EL7的兼容版本中成功安装,但是官方并未进行测试,因此也不提供任何支持. 系统环境要求 docker必须运行在64-bit的系统上,对于 ...

  9. 前后端交互json字符串

    //将需要的参数转成json字符串,然后用utf-8编码 var obj = encodeURIComponent(JSON.stringify(this.categories),"utf- ...

  10. mvn打包到私服的命令

    1.mvn clean package install -Dmaven.test.skip=true deploy 2.docker清楚Nexus私服上包的命令: a) docker exec -it ...