第一课程
课程概述
分为15周，每周2-3小时，以讲故事的方式开展，坚持住！
什么是机器学习
摆脱复杂的规则，对复杂系统进行建模，需要data进行ML获取得到skill.
比如：机器人上火星、股票高频预测、视觉/语音辨识.
什么情况能用机器学习？
- 有一个目表现，能通过这个表现来衡量模型的好坏.
- 规则解决不了，没有明确的规则.
- 有数据进行学习.
随堂练习
- 预测婴儿下一秒是否哭（没有样本集，随机性太强，不过个人感觉如果分析出导致哭的因素应该也能分析）.
- 判断图形中是否包含圆（更像图形学的东西，规律性很强，很容易就能写成程序）.
- 是否贷款给某人，信用分析（典型的机器学习问题，通过分析历史贷款人的数据信息，建模自己的信用评估机制）.
- 未来十年地球是否会因为核能毁灭（没有数据，估计需要专家知识）.
机器学习的应用
- 食:根据twitter上面的资料，学习某餐厅的食物质量等.
- 衣:建立一个系统给用户推荐穿衣搭配，怎么搭配能符合用户喜好.
- 住:根据盖的房子的资料，学习预测盖某房子的耗能状况.
- 行:无人驾驶，车辆对不同的道路规则如何做出反应等等.
- 育:设计一个教学系统，如何针对学生的历史做题记录，给学生合理分配题目.一个思路是可以根据学生的等级和题目的等级，根据900万个学生的数据，根据数据可以判断学生的水平或者题目的难度，感觉有点想豆瓣电影评分这种，然后新来一个学生可以做到如何设计题目让他更好地提高成绩.
- 乐:推荐系统（豆瓣电影、QQ音乐等）.把用户和电影分别分成若干个特征，比如人的年龄、性别等，电影的类型、电影的时常，电影的演员等，最后对电影进行打分， 然后给新的观众提供一个最喜欢的电影.
随堂练习
下面几种机器学习都可以参与：
- 金融
- 医疗
- 法律
机器学习的组成
-
银行如何发卡能让银行的决策更加准确？如下图
image.png
-
机器学习的数学表示
简答的流程图资料化.
x：input
y：output
f：mapping（未知）不然也就不需要f了，需要通过data（D={(x1, y1), (x2, y2), (x3, y3)...(xn, yn)}）来进行学习，最后学到的（拟合出来的）是函数g≈f
image.png
image.png
-
机器学习演算法与g的关系
机器学习演算法需要做的就是在决策集合H的诸多规则中选择一个最好的规则来实现预测或判断，允许的各种g的长相都放在了这个假设集合（hypotheses set）中.
image.png
随堂练习
image.png
机器学习一些问题解答
- 数据挖掘VS机器学习
数据挖掘：根据数据挖掘一些有趣的东西，找出数据之间的关联.有时候不一定需要预测，可能只是找出某种内在联系.（个人感觉有点绕，后面慢慢去体会吧） - 机器学习VS人工智能
机器学习是人工智能的一个子集，人工智能是一个很大的范畴，是实现人工智能的一个方法. - 机器学习VS统计学
没怎么听，不管怎么说，这几个密不可分，关联密切，各有侧重.
网友评论