ML--概念理解

Posted 脑机接口社区

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了ML--概念理解相关的知识,希望对你有一定的参考价值。

机器是如何模拟人来学习的?


 

人:  observations===>learning===>skill

人从出生开始经过大量的观察(也可能经过身边的的指导)进行学习然后得到相应的技能(比如小孩认车)

 

机器:data====>learning====>skill

机器从大量的数据里学习获得相应的技能

对于机器来说skill:improve some performance measure

即:电脑从资料出发经过学习得到某种表现的增进。

e.g   stock data===>ML===>more investment gain

 

使用机器学习的关键点


 

1)exists some "udderlying pattern" to be learned 即要有潜在的模式

2)but no programmable definition 没有很容易的可程序话的定义(这很好理解,如果有的话,就不用机器学习了)

3)somehow there is data about the pattern 要有大量的数据(这也很好理解,没有测试集,学习就无从谈起)

 

Basic Notations


hypothesis <=>skill with hopefully good performance

g:x-->y

即从有关f的资料出发学习得到g,我们希望得到的g是与f越接近越好。

机器学习模型:

对上面整个过程,我们可以这样理解:

通过真实的 f 产生的数据,让机器从这堆数据张学习得到g,其中我们对于得到的g的要求是,g越接近 f 越好。

这里面有个概念叫做假设(hypothesis),可以这么理解真实世界是有很多g的,这些g的集合就是hypothesis,对于机器来说,

它的目的是找到一个它认为最好的‘规则’,我们把这个规则取名为\'g\'。

 

--感谢台大林老师的课。

 

以上是关于ML--概念理解的主要内容,如果未能解决你的问题,请参考以下文章

自然语言处理 概览理解 NLP specialization - Supervised ML

怎样理解神经网络的反向传播算法-ML Note 53

不理解 ML 中的 plt.plot(train_x, regr.coef_[0][0]*train_x + regr.intercept_[0], '-r')

通过案例直观理解神经网络之1—ML Note 48

Neutron 理解(14):Neutron ML2 + Linux bridge + VxLAN 组网

[ML&DL] 频繁项集Apriori算法