机器学习

随着计算机的帮助和互联网上足够大的可用的数据集,所谓的机器学习就出现了。机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点,再到以“学习”为重点,一条自然、清晰的脉络。显然,机器学习是实现人工智能的一个途径,即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。

机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。为此,机器学习主要关注于模式识别。机器学习有助于识别数据集内的模式,并因此尝试根据现有数据进行预测。深度学习是一种实现机器学习的技术1

人工智能关系图

人工智能关系图

机器学习框架图

机器学习框架图

学习资源

The Who’s Who Of Machine Learning, And Why You Should Know Them

  • 读懂机器学习需要哪些数学知识
  • Andrew Ng(中文名:吴恩达)自2002年获得博士学位以来,Andrew Ng一直在斯坦福任教。他创建并领导了谷歌大脑团队,该团队被认为是世界上最先进的ML/AI研究机构之一。
  • Geoffrey Hinton被称为AI教父,是神经网络领域的首批研究者之一。当他是卡内基梅隆大学的教授时,他是最早证明广义反向传播算法的研究者之一。在Andrew Ng的引导下,他在coursera上发布了他的神经网络课程,这是一个巨大的成功。
  • 2014年,Ian Goodfellow发表了一篇关于GANs的论文,这是AI行业的一个突破。GANs基本上允许计算机进行想象,计算机可以训练与我们提供给它的模型相似的模型。
  • Yann LeCun发明了卷积神经网络,如果没有他的贡献,图像识别领域就不会有进展。关于人工智能未来的一个有趣的演讲

列出了一些最好的免费机器学习书籍,绝对值得阅读。

关注点

华盛顿大学 Pedro Domingos 教授一篇名为「A Few Useful Things to Know about Machine Learning」的论文,它总结了机器学习研究者和从业者的 12 个宝贵经验,其中包括需要避免的陷阱、值得关注的重点问题、常见问题的答案。

  1. 学习=表征+评估+优化。一个相关的问题是如何表征输入,即使用哪些特征。需要一个评估函数来区分分类器的好坏。我们要用一种方法搜索得分最高的分类器。
  2. 泛化能力很关键。
  3. 仅有数据是不够的。机器学习并非魔术,它无法做到无中生有,它所做的是举一反三。
  4. 过拟合具有多面性。理解过拟合的一种方法是将泛化的误差进行分解,分为偏差和方差。除交叉验证之外,还有很多方法可以解决过拟合问题。最流行的是在评估函数中增加一个正则化项。
  5. 高维度会挫伤直觉。
  6. 理论保证与实际的出入。
  7. 特征工程是关键。
  8. 数据量为王。
  9. 不单单学习一个模型。
  10. 简单不意味着准确。
  11. 可表征并不意味着可学习。
  12. 相关性并不意味着因果关系。
谢谢鼓励,欢迎留言反馈
0%
Title - Artist
0:00