机器学习概述

数据挖掘

• 使用历史数据改善决策
• 商业智能
  • 例子：商品摆放位置(P&G, Walmart, … )
• ……
• 信用危机分析
  

个性化定制

• 学习用户兴趣的应用( e.g. 信息流、论坛、社交网络 …)
• 电子商务中的推荐
• 邮件过滤
• … …
  
  

替代人力的软件应用

• 模式识别：人脸识别，语音识别 ，手势识别， OCR, ……
• 自动驾驶
• 信息检索(如搜索引擎)
• … …
  
  例：自动驾驶: Google Driverless Car
  
  http://www.extremetech.com/extreme/189486-how-googles-self-driving-cars-detect-and-avoid- obstacles

Uber 无人驾驶汽车事故 Sunday, Mar. 18 2018

• 2018 年 3 月 18 日，一辆 Uber 无人驾驶汽车发生事故导致 49
  岁的 Elaine Herzberg 死亡。
• 一位 Uber 工程师在汽车驾驶座上，但发生事故时正处于自动
  驾驶模式。这被认为是第一起有关自动驾驶的严重事故。
• Toyota停止了自动驾驶技术在公共道路上的测试

例：信息检索(续)
• 相关性反馈
• e.g. 图像检索、视频检索 …

• “学习是要表示出系统中的变化 … 使得系统在下次进行同样的任务时变得更有效” – Herbert Simon
• Herbert Simon (1916 – 2001)
  • 1956，达特茅斯会议，“人工智能之父” • 1975 年获得图灵奖
  • 1978年获的诺贝尔经济学奖
  • 1986年获得国家科学奖章
  • 1993年由于其心理学方面的杰出贡献被授予美国心理学会奖
  • 1994年他成为一名外籍中科院科学家
    
• “学习是对经验的表示方法的构造或修改” --Ryszard S. Michalski
• Ryszard S. Michalski (1937-2007)
  http://www.mli.gmu.edu/michalski/
  • Michalski, Ryszard S. and Kodratoff, Y. Machine Learning, an AI approach （《机器学习：一种人工智能方法》） 1990
  • 共同创始人: Machine learning research field
  • 共同创始人: Machine Learning (Journal)
  • 共同创始人: ICML
    
• 学习 = 在某种任务上基于经验不断进步
• Tom M. Mitchell (CMU)
  • 1973 MIT S.B. ; 1979 Ph.D. Stanford Uni.
  • 共同创始人: Machine Learning (Journal)
  • 共同创始人: ICML
  • IJCAI Computers and Thought Award, 1983
• T （Task 任务）
• E （Experience 经验）
• P （Performance 性能）
  学习：变化 / 构造或修改 / 进步

示例

• 学习如何下国际跳棋
  • T: 下国际跳棋
  • P：获胜率
  • E：e.g. 和自己下棋
• 手写识别
  • T: 识别字符
  • P: 识别精度
  • E: 已知类别的字符集

IBM Watson DeepQA

Jeopardy:
一个美国的电视节目。需要参赛者分辨出笑话、双关、反讽、字谜等语句中的微妙之处

IBM Watson @ Jeopardy

• February 14, 15, and 16, 2011
  • Jeopardy 的两个著名冠军
  • Brad Rutter（右）:
    • 赢得 Jeopardy 史上最多的奖金 （325 万美金）
    • Johns Hopkins 大学辍学生
• Ken Jennings（左）:
  • Jeopardy 连胜纪录保持者（2004年连续获胜 74 场）
  • 拥有 Brigham Young 大学的计算机和英语学位以及Seoul Foreign 的学士学位

IBM Watson 在 Jeopardy 中获胜
- 体现了在问答领域的出色成果

最终结果:
$77,147 (5,000 + 35,734 +41,413) vs. $21,600 & $24,000.

IBM Watson

• 开发 4 年
• 90 台 Power 7 服务器 （每台有4 个 8 核 power 7 处理器）
• 基于大规模知识库而不是互联网的检索(没有联网）
  • 3 秒内在上百亿的页面进行检索
• 用之前节目的题目进行训练
  • Jeopardy 参与者: 77 (2009) + 55 (2010, 优胜者)
  • 缺乏实时学习的能力

Category: US City
Q: “Its largest airport was named for a World War II hero; its second largest,
for a World War II battle.”
A: “What is Toronto?” (Chicago)

技术需求

• 回答任意话题的问题

  • 自然科学、地理、流行文化 …

• 准确度：不只是一个答案，还需要高置信度

• 速度：3 秒内甚至更快

• 语言理解

  • 解析复杂句子，理解笑话、双关、反讽等

• 问题的实时分析

• 从错误中学习

• 应对意料之外的情况 …

相关技术 – DeepQA

• 一种大规模的基于概率和实例的问答架构
  • 不基于数据库
  • 深度文本分析
    • NLP 以及基于统计的 NLP
  • 确定多种相似可能性的置信度
    • 投票、问题解释… • 搜索
  • 风险评估
  • Hadoop、UIMA
• 现实应用场景中的挑战 / 问题

设计一个学习系统 1

例 ：让机器学习下国际跳棋

• 有什么经验？

系统设计1 —— 用于训练的经验

-经验是否代表目标性能？
例 ：国际跳棋游戏
- 训练中看到的数据(游戏对局) 能代表实际中遇到的数据吗？
- 自我对抗 vs. 与大师对抗

• 意料之外的结果
  • 示例1 ：月亮还是香蕉？
  • 示例2：神经网络数字识别
  • 示例3：IBM Watson 认为多伦多是 “美国城市”

意料之外的结果

• 问题出在哪里？
• 注意训练数据偏差
  • 数据 (月亮还是香蕉)
  • 训练过程 ( NN数字识别)
  • 特征 ( IBM Watson)

设计学习系统 2

例 ：让机器学习下国际跳棋

• 有什么经验？
  • 注意训练数据偏差：
    • 数据， 训练过程，功能
• 到底应该学什么？

系统设计2 —— 到底应该学什么？

• 要学习一个 目标 函数 (目标概念)
• 什么类型？即有哪些概念种类？
• 例 ：国际跳棋游戏： 目标函数 V(b) 的可能定义
  • 如果 b 是一个最后获胜的棋盘状态，则V(b) = 100
  • 如果 b 是一个最后失败的棋盘状态，则V(b) = -100
  • 如果 b 是一个最后平局的棋盘状态，则V(b) = 0
• 如果b不是最终棋盘状态，则 V(b) = V(b’)
  • b’ 是从b开始能达到的最优终盘状态。
• 能给出正确的结果，但是不可行
  • 计算过于低效
• 通常使用一个 V 的近似$\hat{V}$， 又称作假设
  • 例：$V(b)\leftarrow \hat{V}(Successor(b))$

设计学习系统 3

例 ：让机器学习下国际跳棋

• 有什么经验？
  • 注意训练数据偏差：
    • 数据， 训练过程，功能
• 到底应该学什么？
  • 正确 vs. 可行 ：近似 (假设)
• 应该如何表示？

系统设计3 —— 假设的表示

• 例 ：国际跳棋： 可能的表示
  • 状态表
  • 规则集合
  • 棋盘特征的多项式函数
  • 神经网络
  • ……
• 函数类型必须依据表达能力仔细选取
  • 好的近似 vs. 数据要求
• 例 ：国际跳棋的训练样例 < b, Vtrain(b) >
  • Vtrain(b) 是 b 的 label
  • wp(b) ：棋盘 b 上的白色棋子数量
  • rp(b) ：棋盘b上的红色棋子数量
  • wk(b)：棋盘b上的白色国王数量
  • rk(b)：棋盘b上的红色国王数量
  • wt(b) ：受红方威胁的白色棋子数量(在红方下一回合将被吃掉)
  • rt(b) ：受白方威胁的红色棋子数量
    $\hat{V}(b)=w_0+w_1\cdot wp(b)+w_2\cdot rp(b)+w_3\cdot rk(b)+w_4\cdot rk(b)+w_5\cdot wt(b)+w_6\cdot rt(b)$
• 例如： <<wp=0, rp=3, wk=0, rk=1, wt=0, rt=0>,+100>

设计学习系统 4

例 ：让机器学习下国际跳棋

• 有什么经验？
  • 注意训练数据偏差：
    • 数据， 训练过程，功能
• 到底应该学什么？
  • 正确 vs. 可行 ：近似 (假设)
• 应该如何表示？
  • 表达能力：好的近似 vs. 数据要求
    • 具体用什么算法去学习？

系统设计4 —— 学习算法

• 本例： 选择一个权重训练的规则 ：数据的最优拟合
• 一个常用算法：**最小均方误差 Least Mean Squares (LMS) ** $$\sum _{trainingset}(V_{train}(b)-\hat{V}(b){)}^2$$
  • 初始化权重
  • 重复：
    1. 随机地选择一个训练样例 b
    2. 计算 $error(b)=V_{train}(b)–\hat{V}(b)$
    3. 对于每个棋盘特征f_i ，f_i 属于 {wp, rp, …, rt}，更新权重 wi
       $w_i\leftarrow w_i+c\cdot f_i\cdot error(b)$
       c是一个小常数(如0.1)，以控制学习速度

设计学习系统 5

例 ：让机器学习下国际跳棋

• 有什么经验？
  • 注意训练数据偏差：
    • 数据， 训练过程，功能
• 到底应该学什么？
  • 正确 vs. 可行 ：近似 (假设)
• 应该如何表示？
  • 表达能力：好的近似 vs. 数据要求
    • 具体用什么算法去学习？
    综合起来： 最终设计

系统设计 5 —— 综合起来

• 初始化 $\hat{V}$的权重
• 用 $\hat{V}$和自己下棋，输出每局游戏的棋盘状态序列
• 用 $\hat{V}(Successor(b))$标注每个 b
  
• 学习新的权重，产生新的
• 开始新的游戏

总结

系统设计与方案选择

基本概念 (通常在机器学习领域中使用)

• 给定：
  • 实例空间(Instance Space) X
    • 例 ：每一天由一些属性描述 天空，空气温度，湿度， 风，水，预报
  • 假设空间(Hypothesis Space) H
    • 例 ：一个假设 if (温度 = 寒冷 AND湿度 = 高) then 打网球 = 否
  • **训练样例空间(Sample Space) D 目标概念(Target Concept) C **
    • 正例和负例 (基于问题设定) 1 ,c(x₁)>,……, m , c(x_m)>
• 求 ：假设 h ∈ H 满足
  $$h(x)=c(x)forallx\in X$$
  -通常 X 是的大小是指数级甚至更大，所以通常我们无法保证 h(x)=c(x) 对所有 x∈X
  • 作为替代，我们寻求一个好的近似，例： h(x)=c(x) 对 所有 x ∈D

例如：假设h为n 个二值属性 / 特征(例：温暖 / 寒冷)

• 实例空间 X：2^n 元素
• 概念(假设)空间 H：最多 $2^{2^n}$ 个元素(为什么？)

• 应用背景
• 什么是机器学习
  • T (Task，任务)
  • E (Experience，经验)
  • P ( Performance，性能)
• 机器学习系统举例
• 通用机器学习系统设计
  • 有什么经验？数据
  • 到底应该学什么？ 特征和表示
  • 如何表示？算法
  • 具体用算法学习？评价
• 机器学习领域的基本概念

来源地址：https://blog.csdn.net/lov_vol/article/details/132517026