机器学习笔记第一天Machine Learning one day| What's the Machine Learning?

What's the Machine learn?

01.What's the learning?

learning one
learning two

what's the kill?

improve some performance measure
提高一些绩效

从Data出发,经过机器的学习,得到技能的加强


Kill
KILL=量化投资

Why use machine learning?

of example

这张图里面是什么?


这张图里面是什么?

如何定义树?如何让程序识别树?

你是这么认识树的?
不是你父母告诉你特征而是你的观察
而是你看来很多树(●'◡'●)
你眼睛的观察

1.exists some 'underlying pattern' to be learned
--so 'performance measure' can be improved
2.but no programmable(easy)definition
--so 'ML' is needed
3.somehow there is data about the pattern
--so ML has some 'inputs' to learn from

看看冰山一角ML的应用

01.Food(Sadilek et al.2013)
data:Twitter data(words+location)
skill:tell food poisoning likeliness of restaurant properly
2.Clothing(Abu-Mostafa,2012)
data:sales figures + client surveys
skill:give good fashion recommendations to clients
3.Housing(Tsansa and Xifara,2012)
data:characteristics of buildings and their energy load
skill:predict energy load of other buildings clousely
4.Transportation(Stallkamp et al,2012)
data:some traffic sign images and meanings
skill:recognize traffic signs accurately

ML is everywhere!

A Possible ML Solution

answer correctly ≈ [recent strngth of student > difficulty of question]
1.give ML 9 million records form 3000 students
2. ML determines (reverse-engineers)strength and difficulty automatically

电影推荐系统构想

特征

特征

机器学习深入:

example:
用户信用评估&行用卡发行:
data:


data

Basic Notations


ML输入X

ML输出Y

目标函数F

data

Data <=> training examples: D={(x1,x1),(x2,y2).....(Xn,Yn)}
(historical records in bank)


hypothesis

G:x->y
ML
ML
NOTE
ML
ML
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,524评论 5 460
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,869评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,813评论 0 320
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,210评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,085评论 4 355
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,117评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,533评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,219评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,487评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,582评论 2 309
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,362评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,218评论 3 312
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,589评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,899评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,176评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,503评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,707评论 2 335

推荐阅读更多精彩内容

  • **2014真题Directions:Read the following text. Choose the be...
    又是夜半惊坐起阅读 9,245评论 0 23
  • 我们整日忙碌,却没有目标。我们整日刷屏,却只是为了打发时间。我们现在有那么多联系方式,有手机,有电脑,有扣扣,有微...
    苏穆凉阅读 215评论 0 1
  • 今天央视发布消息称之前涉及 “黄鳝门”事件的女主播已经被抓, 抢救无效的黄鳝终于可以安息了…… 稍稍回顾一下“黄鳝...
    胡子恒牛逼阅读 389评论 0 1