关于机器学习的一点看法

传统意义上的对于计算机使用的方法是,给他一个指令让他做什么他就做什么.

但机器学习却不是这样的,事实上,机器学习是给他一堆数据,让他给点意见

比如,我要吃一块蛋糕,这个主要取决于两个条件,一个是这个蛋糕多少钱,我有没有这么多钱,还有一个条件是我饿不饿, 蛋糕多少钱是一个自变量,我饿不饿是也是自变量,我最后买没有买这个蛋糕是因变量.

解决一个问题是有3种方法,一个是问别人,一个是采用知识,最后一个是依据准则,

然后买这个蛋糕的机率会随着我的两个条件变化,而得到不同样的结果

1.我饿不饿

2.我有没有钱

在不同情况下我买蛋糕的机率又是不一样的

1.我饿,我口袋有充足的钱, 买的概率是7/8

2.我饿,我口袋有刚好的钱,买的概率是4/8

3.我饿,我口袋里没有钱,我买的概率会是0;\

4.我不饿,我口袋有充足的钱,买概率是3/8

5.我不饿,我口袋里刚好的钱,买的概率是2/8

6.我不饿,我口袋里没有钱,买的概率0;

这就是决策树,

机器学习方法就是输入大量数据,通过总结规律,并利用这个模型来预测未来的一种方法

数据越多,测量未来的效果就越好

数据通过机器的学习算法进行处理.这个过程叫作’Training” 训练” 处理的结果可以对我们新的数据进行处理,这个结果叫作”模型”对新数据的预测过程叫”预测 ”

训练->模型->预测

机器学习的基石 回归算法,分两类线性回归和逻辑回归

线性回归是模拟一条直线,通过所有得到点.

逻辑回归就是画一条线,分成几类

神经网络 ANN

神经网络的机理 分解于整合

一个简单的神经网络和逻辑架构, 一般是三件. 输入 中间 输出

每个处理单元事实上就是一个逻辑回归模型

LeNet 一个著名应用

一个很简单的识别一个正方形的故事, 首先第一层看到一个正方形(整体),第二层则看到四个直角(局部), 第三层看到2个折线(单点), 第四层2个折线分为黑白两边(细节)