机器学习概述

这篇具有很好参考价值的文章主要介绍了机器学习概述。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

机器学习应用背景

数据挖掘
  • 使用历史数据改善决策
  • 商业智能
    • 例子:商品摆放位置(P&G, Walmart, … )
  • ……
  • 信用危机分析
    机器学习概述,机器学习,机器学习,人工智能
个性化定制
  • 学习用户兴趣的应用( e.g. 信息流、论坛、社交网络 …)
  • 电子商务中的推荐
  • 邮件过滤
  • … …
    机器学习概述,机器学习,机器学习,人工智能
    机器学习概述,机器学习,机器学习,人工智能
替代人力的软件应用
  • 模式识别:人脸识别,语音识别 ,手势识别, OCR, ……
  • 自动驾驶
  • 信息检索(如搜索引擎)
  • … …
    机器学习概述,机器学习,机器学习,人工智能
    例:自动驾驶: Google Driverless Car
    机器学习概述,机器学习,机器学习,人工智能
    http://www.extremetech.com/extreme/189486-how-googles-self-driving-cars-detect-and-avoid- obstacles

Uber 无人驾驶汽车事故 Sunday, Mar. 18 2018

  • 2018 年 3 月 18 日,一辆 Uber 无人驾驶汽车发生事故导致 49
    岁的 Elaine Herzberg 死亡。
  • 一位 Uber 工程师在汽车驾驶座上,但发生事故时正处于自动
    驾驶模式。这被认为是第一起有关自动驾驶的严重事故。
  • Toyota停止了自动驾驶技术在公共道路上的测试

例:信息检索(续)
• 相关性反馈
• e.g. 图像检索、视频检索 …

机器学习概述,机器学习,机器学习,人工智能
机器学习概述,机器学习,机器学习,人工智能

什么是机器学习

机器学习概述,机器学习,机器学习,人工智能

  • “学习是要表示出系统中的变化 … 使得系统在下次进行同样的任务时变得更有效” – Herbert Simon
  • Herbert Simon (1916 – 2001)
    • 1956,达特茅斯会议,“人工智能之父” • 1975 年获得图灵奖
    • 1978年获的诺贝尔经济学奖
    • 1986年获得国家科学奖章
    • 1993年由于其心理学方面的杰出贡献被授予美国心理学会奖
    • 1994年他成为一名外籍中科院科学家
      机器学习概述,机器学习,机器学习,人工智能
  • “学习是对经验的表示方法的构造或修改” --Ryszard S. Michalski
  • Ryszard S. Michalski (1937-2007)
    http://www.mli.gmu.edu/michalski/
    • Michalski, Ryszard S. and Kodratoff, Y. Machine Learning, an AI approach (《机器学习:一种人工智能方法》) 1990
    • 共同创始人: Machine learning research field
    • 共同创始人: Machine Learning (Journal)
    • 共同创始人: ICML
      机器学习概述,机器学习,机器学习,人工智能
  • 学习 = 在某种任务上基于经验不断进步
  • Tom M. Mitchell (CMU)
    • 1973 MIT S.B. ; 1979 Ph.D. Stanford Uni.
    • 共同创始人: Machine Learning (Journal)
    • 共同创始人: ICML
    • IJCAI Computers and Thought Award, 1983
  • T (Task 任务)
  • E (Experience 经验)
  • P (Performance 性能)
    学习:变化 / 构造或修改 / 进步

示例

  • 学习如何下国际跳棋
    • T: 下国际跳棋
    • P:获胜率
    • E:e.g. 和自己下棋
  • 手写识别
    • T: 识别字符
    • P: 识别精度
    • E: 已知类别的字符集

机器学习系统举例

IBM Watson DeepQA

机器学习概述,机器学习,机器学习,人工智能
Jeopardy:
一个美国的电视节目。需要参赛者分辨出笑话、双关、反讽、字谜等语句中的微妙之处
机器学习概述,机器学习,机器学习,人工智能

IBM Watson @ Jeopardy

  • February 14, 15, and 16, 2011
    • Jeopardy 的两个著名冠军
    • Brad Rutter(右):
      • 赢得 Jeopardy 史上最多的奖金 (325 万美金)
      • Johns Hopkins 大学辍学生
  • Ken Jennings(左):
    • Jeopardy 连胜纪录保持者(2004年连续获胜 74 场)
    • 拥有 Brigham Young 大学的计算机和英语学位以及Seoul Foreign 的学士学位

IBM Watson 在 Jeopardy 中获胜
- 体现了在问答领域的出色成果
机器学习概述,机器学习,机器学习,人工智能
最终结果:
$77,147 (5,000 + 35,734 +41,413) vs. $21,600 & $24,000.

IBM Watson
  • 开发 4 年
  • 90 台 Power 7 服务器 (每台有4 个 8 核 power 7 处理器)
  • 基于大规模知识库而不是互联网的检索(没有联网)
    • 3 秒内在上百亿的页面进行检索
  • 用之前节目的题目进行训练
    • Jeopardy 参与者: 77 (2009) + 55 (2010, 优胜者)
    • 缺乏实时学习的能力

Category: US City
Q: “Its largest airport was named for a World War II hero; its second largest,
for a World War II battle.”
A: “What is Toronto?” (Chicago)

技术需求
  • 回答任意话题的问题

    • 自然科学、地理、流行文化 …
  • 准确度:不只是一个答案,还需要高置信度

  • 速度:3 秒内甚至更快

  • 语言理解

    • 解析复杂句子,理解笑话、双关、反讽等
  • 问题的实时分析

  • 从错误中学习

  • 应对意料之外的情况 …

相关技术 – DeepQA
  • 一种大规模的基于概率和实例的问答架构
    • 不基于数据库
    • 深度文本分析
      • NLP 以及基于统计的 NLP
    • 确定多种相似可能性的置信度
      • 投票、问题解释… • 搜索
    • 风险评估
    • Hadoop、UIMA
  • 现实应用场景中的挑战 / 问题

通用机器学习系统设计

设计一个学习系统 1

例 :让机器学习下国际跳棋

  • 有什么经验?

机器学习概述,机器学习,机器学习,人工智能

系统设计1 —— 用于训练的经验

-经验是否代表目标性能?
例 :国际跳棋游戏
- 训练中看到的数据(游戏对局) 能代表实际中遇到的数据吗?
- 自我对抗 vs. 与大师对抗

  • 意料之外的结果
    • 示例1 :月亮还是香蕉?
    • 示例2:神经网络数字识别
    • 示例3:IBM Watson 认为多伦多是 “美国城市”

意料之外的结果

  • 问题出在哪里?
  • 注意训练数据偏差
    • 数据 (月亮还是香蕉)
    • 训练过程 ( NN数字识别)
    • 特征 ( IBM Watson)

设计学习系统 2

例 :让机器学习下国际跳棋

  • 有什么经验?
    • 注意训练数据偏差
      • 数据, 训练过程,功能
  • 到底应该学什么?
系统设计2 —— 到底应该学什么?
  • 要学习一个 目标 函数 (目标概念)
  • 什么类型?即有哪些概念种类
  • 例 :国际跳棋游戏: 目标函数 V(b) 的可能定义
    • 如果 b 是一个最后获胜的棋盘状态,则V(b) = 100
    • 如果 b 是一个最后失败的棋盘状态,则V(b) = -100
    • 如果 b 是一个最后平局的棋盘状态,则V(b) = 0
  • 如果b不是最终棋盘状态,则 V(b) = V(b’)
    • b’ 是从b开始能达到的最优终盘状态。
  • 能给出正确的结果,但是不可行
    • 计算过于低效
  • 通常使用一个 V 的近似 V ^ \hat V V^, 又称作假设
    • 例: V ( b ) ← V ^ ( S u c c e s s o r ( b ) ) V(b) \leftarrow \hat V(Successor(b)) V(b)V^(Successor(b))

设计学习系统 3

例 :让机器学习下国际跳棋

  • 有什么经验?
    • 注意训练数据偏差
      • 数据, 训练过程,功能
  • 到底应该学什么?
    • 正确 vs. 可行 :近似 (假设)
  • 应该如何表示?
系统设计3 —— 假设的表示
  • 例 :国际跳棋: 可能的表示
    • 状态表
    • 规则集合
    • 棋盘特征的多项式函数
    • 神经网络
    • ……
  • 函数类型必须依据表达能力仔细选取
    • 的近似 vs. 数据要求
  • 例 :国际跳棋的训练样例 < b, Vtrain(b) >
    • Vtrain(b) 是 b 的 label
    • wp(b) :棋盘 b 上的白色棋子数量
    • rp(b) :棋盘b上的红色棋子数量
    • wk(b):棋盘b上的白色国王数量
    • rk(b):棋盘b上的红色国王数量
    • wt(b) :受红方威胁的白色棋子数量(在红方下一回合将被吃掉)
    • rt(b) :受白方威胁的红色棋子数量
      V ^ ( b ) = w 0 + w 1 ⋅ w p ( b ) + w 2 ⋅ r p ( b ) + w 3 ⋅ r k ( b ) + w 4 ⋅ r k ( b ) + w 5 ⋅ w t ( b ) + w 6 ⋅ r t ( b ) \hat V(b) = w_0 + w_1\cdot wp(b) + w_2 \cdot rp(b) + w_3\cdot rk(b) + w_4 \cdot rk(b)+w_5 \cdot wt(b) + w_6 \cdot rt(b) V^(b)=w0+w1wp(b)+w2rp(b)+w3rk(b)+w4rk(b)+w5wt(b)+w6rt(b)
  • 例如: <<wp=0, rp=3, wk=0, rk=1, wt=0, rt=0>,+100>

设计学习系统 4

例 :让机器学习下国际跳棋

  • 有什么经验?
    • 注意训练数据偏差
      • 数据, 训练过程,功能
  • 到底应该学什么?
    • 正确 vs. 可行 :近似 (假设)
  • 应该如何表示?
    • 表达能力:的近似 vs. 数据要求
      • 具体用什么算法去学习?
系统设计4 —— 学习算法
  • 本例: 选择一个权重训练的规则 :数据的最优拟合
  • 一个常用算法:**最小均方误差 Least Mean Squares (LMS) ** ∑ t r a i n i n g s e t ( V t r a i n ( b ) − V ^ ( b ) ) 2 \sum_{training set} (V_{train}(b) - \hat V(b))^2 trainingset(Vtrain(b)V^(b))2
    • 初始化权重
    • 重复:
      1. 随机地选择一个训练样例 b
      2. 计算 e r r o r ( b ) = V t r a i n ( b ) – V ^ ( b ) error(b) = V_{train}(b) –\hat V(b) error(b)=Vtrain(b)V^(b)
      3. 对于每个棋盘特征fi ,fi 属于 {wp, rp, …, rt},更新权重 wi
        w i ← w i + c ⋅ f i ⋅ e r r o r ( b ) w_i \leftarrow w_i + c \cdot f_i \cdot error(b) wiwi+cfierror(b)
        c是一个小常数(如0.1),以控制学习速度

设计学习系统 5

例 :让机器学习下国际跳棋

  • 有什么经验?
    • 注意训练数据偏差
      • 数据, 训练过程,功能
  • 到底应该学什么?
    • 正确 vs. 可行 :近似 (假设)
  • 应该如何表示?
    • 表达能力:的近似 vs. 数据要求
      • 具体用什么算法去学习?
      综合起来: 最终设计
系统设计 5 —— 综合起来
  • 初始化 V ^ \hat V V^的权重
  • V ^ \hat V V^和自己下棋,输出每局游戏的棋盘状态序列
  • V ^ ( S u c c e s s o r ( b ) ) \hat V(Successor(b)) V^(Successor(b))标注每个 b
    机器学习概述,机器学习,机器学习,人工智能
  • 学习新的权重,产生新的
  • 开始新的游戏

总结

系统设计与方案选择

机器学习概述,机器学习,机器学习,人工智能

机器学习领域的基本概念

基本概念 (通常在机器学习领域中使用)

  • 给定:
    • 实例空间(Instance Space) X
      • 例 :每一天由一些属性描述 天空,空气温度,湿度, 风,水,预报
    • 假设空间(Hypothesis Space) H
      • 例 :一个假设 if (温度 = 寒冷 AND湿度 = 高) then 打网球 = 否
    • **训练样例空间(Sample Space) D 目标概念(Target Concept) C **
      • 正例和负例 (基于问题设定) <x1 ,c(x1)>,……, <xm , c(xm)>
  • 求 :假设 h ∈ H 满足
    h ( x ) = c ( x )    f o r   a l l   x ∈ X h(x) = c(x)\ \ for\ all\ x \in X h(x)=c(x)  for all xX
    -通常 X 是的大小是指数级甚至更大,所以通常我们无法保证 h(x)=c(x) 对所有 x∈X
    • 作为替代,我们寻求一个好的近似,例: h(x)=c(x) 对 所有 x ∈D

例如:假设h为n 个二值属性 / 特征(例:温暖 / 寒冷)文章来源地址https://www.toymoban.com/news/detail-683513.html

  • 实例空间 X:2^n 元素
  • 概念(假设)空间 H:最多 2 2 n 2^{2^n} 22n 个元素(为什么?)

总结

  • 应用背景
  • 什么是机器学习
    • T (Task,任务)
    • E (Experience,经验)
    • P ( Performance,性能)
  • 机器学习系统举例
  • 通用机器学习系统设计
    • 有什么经验?数据
    • 到底应该学什么? 特征和表示
    • 如何表示?算法
    • 具体用算法学习?评价
  • 机器学习领域的基本概念

到了这里,关于机器学习概述的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 机器学习入门教学——人工智能、机器学习、深度学习

    1、人工智能 人工智能相当于人类的代理人,我们现在所接触到的人工智能基本上都是弱AI,主要作用是正确解释从外部获得的数据,并对这些数据加以学习和利用,以便灵活的实现特定目标和任务。 例如: 阿尔法狗、智能汽车 简单来说: 人工智能使机器像人类一样进行感

    2024年02月09日
    浏览(84)
  • 人工智能|机器学习——基于机器学习的舌苔检测

    基于深度学习的舌苔检测毕设留档.zip资源-CSDN文库 目前随着人们生活水平的不断提高,对于中医主张的理念越来越认可,对中医的需求也越来越多。在诊断中,中医通过观察人的舌头的舌质、苔质等舌象特征,了解人体内的体质信息从而对症下药。 传统中医的舌诊主要依赖

    2024年02月22日
    浏览(65)
  • 人工智能与机器学习

    欢迎关注博主 Mindtechnist 或加入【Linux C/C++/Python社区】一起探讨和分享Linux C/C++/Python/Shell编程、机器人技术、机器学习、机器视觉、嵌入式AI相关领域的知识和技术。 专栏:《机器学习》 ​ ​ ☞什么是人工智能、机器学习、深度学习 人工智能这个概念诞生于1956年的达特茅斯

    2024年02月02日
    浏览(59)
  • 人工智能与机器人|机器学习

    原文链接: https://mp.weixin.qq.com/s/PB_n8woxdsWPtrmL8BbehA 机器学习下包含神经网络、深度学习等,他们之间的关系表示如图2-7所示。 图2-7 关系图 那么什么是机器学习、深度学习、他们的区别又是什么呢? 2.7.1 什么是机器学习? 机器学习是 人工智能 (AI) 和计算机科学的一个分支,

    2024年02月06日
    浏览(77)
  • 人工智能、机器学习、深度学习的区别

    人工智能涵盖范围最广,它包含了机器学习;而机器学习是人工智能的重要研究内容,它又包含了深度学习。 人工智能是一门以计算机科学为基础,融合了数学、神经学、心理学、控制学等多个科目的交叉学科。 人工智能是一门致力于使计算机能够模拟、模仿人类智能的学

    2024年02月08日
    浏览(51)
  • 人工智能与开源机器学习框架

    链接:华为机考原题 TensorFlow是一个开源的机器学习框架,由Google开发和维护。它提供了一个针对神经网络和深度学习的强大工具集,能够帮助开发人员构建和训练各种机器学习模型。 TensorFlow的基本概念包括: 张量(Tensor):张量是TensorFlow中的核心数据结构,它表示多维数

    2024年02月22日
    浏览(60)
  • 【人工智能技术】机器学习工具总览

    当谈到训练计算机在没有明确编程的情况下采取行动时,存在大量来自机器学习领域的工具。学术界和行业专业人士使用这些工具在MRI扫描中构建从语音识别到癌症检测的多种应用。这些工具可在网上免费获得。如果您感兴趣,我已经编制了这些的排名(请参阅本页底部)以

    2024年02月04日
    浏览(62)
  • 机器学习、人工智能、深度学习三者的区别

    目录 1、三者的关系 2、能做些什么 3、阶段性目标 机器学习、人工智能(AI)和深度学习之间有密切的关系,它们可以被看作是一种从不同层面理解和实现智能的方法。 人工智能(AI):人工智能是一门研究如何使计算机能够模仿人类智能的学科。它涵盖了各种技术和方法,

    2024年02月14日
    浏览(57)
  • 12、人工智能、机器学习、深度学习的关系

    很多年前听一个机器学习的公开课,在QA环节,一个同学问了老师一个问题“ 机器学习和深度学习是什么关系 ”? 老师先没回答,而是反问了在场的同学,结果问了2-3个,没有人可以回答的很到位,我当时也是初学一脸懵,会场准备的小礼品也没有拿到。 后来老师解释“机

    2024年02月05日
    浏览(65)
  • 一探究竟:人工智能、机器学习、深度学习

    1.1 人工智能是什么?          1956年在美国Dartmounth 大学举办的一场研讨会中提出了人工智能这一概念。人工智能(Artificial Intelligence),简称AI,是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的

    2024年02月17日
    浏览(47)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包