來源 | AI 算法與圖像處理
主要內容
What is Machine Learning
Applications of Machine Learning
Components of Machine Learning
Machine Learning and Other Fields
What is Machine Learning
什麼是“學習”？學習就是人類通過觀察、積累經驗，掌握某項技能或能力。就好像我們從小學習識別字母、認識漢字，就是學習的過程。而機器學習（Machine Learning），顧名思義，就是讓機器（計算機）也能向人類一樣，通過觀察大量的數據和訓練，發現事物規律，獲得某種分析問題、解決問題的能力。
機器學習的過程是從資料出發，經過電腦的計算之後，最終得到某一種表現。
比如通過電腦讓電腦學會預測股票。利用十年前的數據去學習，告訴我明天該怎麼去投資，如果機器真的做到了，那麼說明機器真的學到了這些。這是我們希望機器學習能做的事情。
舉例：如何識別一棵樹
設計一個程序去定義一棵樹，是非常困難的
通過學習數據去辨認一棵樹（3歲小孩能做）
機器學習系統去識別一棵樹比設計一個程序更加容易的多
通過我們的腦力去分析這些東西比較困難，因為希望通過機器自己去學習和分析，發現這些規律。
機器學習在構建一個複雜系統的時候是一個可選的方法：
比如：
當人類沒辦法做一個複雜的系統，將所有的規律都寫清楚，比如機器人探測火星，沒辦法預測機器人在火星上會遇到什麼情況，例如遇到坑，要怎麼辦，這就需要機器自己去學習怎麼處理
沒辦法定義一個規則的時候——語音/可視化識別
有一些人沒想過的應用——股市交易
在大規模的數據下一個用戶取向的問題——用戶個性化的市場
機器學習要做的事情，是類似於教電腦釣魚的方法，讓它可以一輩子受用。
那麼什麼場景下，考慮使用機器學習解決呢？
機器學習的三個關鍵條件：
事情本身存在某些潛在規律可以去學習，並且有明確的目標
事情存在一定的規則，但是我們不知道怎麼把它用代碼寫下來
機器學習需要資料，否則機器不知道如何去學習
當三個關鍵條件都滿足的時候才考慮使用機器學習
測試&答案：
1、預測小孩子接下來的幾分鐘後會哭？no（沒有規則）
2、判斷圖中是否存在圓？no（規則可以輕鬆定義）
3、決定是否該給用戶分發信用卡？yes，不容易編程實現，有大量的客戶歷史信息
4、地球什麼時候會毀滅？no（沒有足夠的數據）
Applications of Machine Learning
機器學習在我們的衣食住行等各個方面中都有應用。
（1）Food：
功能：瞭解這家飯店食物的味道如何
（2）Clothing
數據：商品的圖片、用戶穿搭
功能：告訴我們怎樣去搭配衣服才能更加Fashion
（3）Housing
數據：房子的建築特點、使用的能源
功能：預測房子在節能減排上面的能力
（4）Transportation
數據：交通燈的圖片和含義
功能：準確識別交通燈信號
上面只是舉一些例子，當然這樣子的例子還有很多!
機器學習在教育上的應用
數據：學生在上網課中的一些記錄，答題記錄和上課記錄等
功能：預測學生會哪些內容，不會哪些內容，並推薦一些資料。
那麼機器學習要如何去設計呢？
從3000學生中給出900萬數據
利用機器學習去自動確定問題的難度等
娛樂方面的應用，推薦系統
數據：有多少用戶喜歡什麼電影
功能：預測一個用戶有多大概率喜歡一個沒看過的電影
那麼電腦是如何去學習這些特徵呢？
利用模型將用戶和電影用一串特徵來描述，對兩串特徵求內積，如果相乘的分數高，則會給非常高的推薦分數。但是我們沒有辦法去定義這些特徵，所以機器學習通過以往的數據，去學習這些特徵，並預測用戶有多喜歡這部電影。
測試&答案
機器在以下哪些領域用不到？
1、金融 （預測股市）
2、醫療 （預測藥效）
3、法律 （從公文書自動給出摘要，便於搜尋和閱讀）
4、不是上述的任何一個 yes
Components of Machine Learning
如何公式化機器學習的問題
基礎的術語：
輸入：x（用戶的行為）
輸出：y（根據預測結果好/壞，決定是否要髮卡）
目標函數：f，未知的規則--->目標函數
數據，訓練樣本（過去收集的數據）
假說，選擇一個最佳的假說對應的函數稱為矩g，g能最好地表示事物的內在規律，也是我們最終想要得到的模型表達式
機器學習流程圖：
從未知規律的數據中，通過學習算法去挖掘，讓最終的 g 接近 f
注意點：
目標函數，f是未知
假說是希望g儘可能的接近f，但是可能還是不同於f
舉例，以信用卡為例
g 到底長什麼樣
今天決定要不要發給客戶信用卡，以下是一些可能的公式
h1：年收入有沒有超過800000，超過就給
h2：負債超過100000給信用卡
h3：工作不滿兩年給他信用卡
將所有的可能h，都放到g的集合中，並從集合中找到最有可能的結果
學習模型=算法+假說
機器學習的定義：從資料出發，機器學習算法要算出一個假說（hypothesis）g，我們希望這個g要很接近我們最渴望的那個f。
測試&答案
歌曲推薦
Machine Learning and Other Fields
與機器學習相關的領域有：
數據挖掘（Data Mining） ——>從數據中挖掘一些有用的資料
人工智能（Artificial Intelligence）——>計算一些東西並顯示出很聰明的行為（比如AI下棋）
統計（Statistics）——>使用數據做一些推論（比如硬幣問題）
機器學習和數據挖掘，非常相像，有些地方還是一樣，密不可分
機器學習是實現人工智能的一種方式
統計是實現機器學習的一種方法，統計更加關注使用數學理論來給出結果，很少關心計算的問題。統計學給機器學習提供了很多有用的工具。
測試&答案
總結
本節課主要引入了機器學習的概念，機器學習實際上是從資料出發找到一個函數，然後找到的函數和我們最渴望的目標是很接近的。機器學習在很多地方都有應用，其核心 算法，數據（資料），假說（hypothesis）最後得到g。
機器學習和數據挖掘、人工智能、統計這三個領域做個比較，和各個領域的關係，他們各自有各自的取向。
https://www.bilibili.com/video/BV1Cx411i7op?p=1
https://blog.csdn.net/red_stone1/article/details/101303228
【end】
今晚8點，我們一起來看Sophon KG如何追尋新冠病毒軌跡，運用AI技術、工具建立相關知識圖譜，通過確診案例的親屬、同事和朋友的關係網找出密切接觸者進行及時隔離，同時刻畫出確診案例的活動軌跡，找到其關係網之外的密切接觸者及病毒可能的“行兇環境”。
![林軒田機器學習基石課程學習筆記1 -- The Learning Problem]()
用於單圖像超分辨率的對偶迴歸網絡，達到最新SOTA | CVPR 2020
悼念前端大牛司徒正美
羅永浩抖音直播首秀：3小時1.1億；微軟曝三屏摺疊機專利；Linux Mint 20僅提供64位版本
“死扛”高併發大流量，大麥搶票的技術涅槃之路
比特幣由"蒙面人"創造，那下一個"比特幣"還會由蒙面人創造嗎？
在容器上構建持續部署及最佳實踐初探
閱讀更多 AI科技大本營 的文章
