《机器学习基石》课程学习笔记

台大林轩田老师《机器学习基石》课程学习笔记(笔记中所有图片均引自林老师的课件)。

1 关于学习

1.1 课程介绍

该课程将理论与实践相结合,从基础开始切入。

以讲故事的方式展开如下几个问题:

  • 机器何时可以进行学习?
  • 机器为什么可以进行学习?
  • 机器如何进行学习?
  • 机器如何学习的更好?

1.2 何为机器学习

首先我们需要思考何为学习?人或动物通过观察得到技能即为学习。

何为机器学习?机器通过观察数据学习到技能。

何为技能?某一种表现的增进。如学习了英语这项技能,则使用其交流则更流畅。

样例应用场景:通过学习过往股票数据增加投资收益。

另一个应用场景:自动辨识一棵树。

  • 常规程序化实现方式为:列出诸多规则定义何为一棵树,然后进行匹配,但效果不佳。
  • 机器学习的实现方式为:通过观察数据自己进行学习进而进行识别。

所以总结适合使用机器学习的应用场景有:

  • 当无法使用人工程序化实现的时候(不容易定义解决方案);
  • 针对不同用户群体进行个性化服务;

可进行机器学习的三要素:

  • 存在潜藏的模式;
  • 不易进行程序化实现;
  • 有相关模式对应的数据。

1.3 机器学习的应用

机器学习的应用贯穿我们生活中的诸多方面:

  • 衣:推荐系统,为客户推荐时尚穿搭;
  • 食:文本分析,根据推特数据分析餐馆卫生情况;
  • 住:能源消耗,基于现有建筑数据预测建筑耗能;
  • 行:路标识别,识别交通标示牌及交通信号;
  • 育:答题系统,根据历史答题记录推测题目难度与学生能力;
  • 乐:推荐系统,电影推荐,音乐推荐。

电影推荐系统的一个可能的实现方案:

  • 电影具有哪些特征:喜剧片,动作片,大片,汤姆·克鲁斯主演…
  • 我喜欢的电影具有哪些特征:有多喜欢喜剧片?有多喜欢动作片?有多喜欢大片?有多喜欢汤姆·克鲁斯?…

根据如上特征值进行匹配度计算。

1.4 学习的组成部分

样例:是否批准一个申请人的信用卡发放请求。

申请人信息如下:

如何描述学习问题:

  • x为输入:申请人信息;
  • y为输出:是否发放信用卡;
  • f为未知的目标函数:即潜藏的模式,一个理想的信用卡审批公式$f:x \rightarrow y$
  • D为数据:训练样本,历史收集的数据;
  • g为假设函数:越接近f越好,即使用$g:x \rightarrow y$来衡量是否要发放信用卡。

信用卡是否发放场景的学习过程:

  • 未知的目标函数产生了诸多历史数据;
  • 机器学习通过某种学习算法得到最终的假设函数g,我们期待g与f越接近越好。

g为所有假设函数集合的一部分,机器学习算法即是从中找出最优的。 机器学习模型即是基于数据将算法A与允许选择的假设H相结合,得出一个尽可能接近理想目标函数f的假设函数g。

下面例子是找出歌曲推荐系统中的输入x,输出y,数据D,假设集合H,假设函数g:

1.5 机器学习及相关领域

从上述可知,机器学习是使用数据来计算一个接近目标函数f的假设g。下面看一下机器学习与相关领域的关系。

机器学习 vs 数据挖掘:

  • 数据挖掘是使用大数据找出一些有趣的事情;
  • 传统的数据挖掘偏重海量数据计算,现两者有诸多相似的部分,可以互相助力。

机器学习 vs 人工智能:

  • 人工智能是让机器有一些智能的表现;
  • 机器学习是实现人工智能的一种方法。

机器学习 vs 统计学:

  • 统计学是使用数据对未知过程做推论;
  • 传统统计学注重数学推论,现使用统计学相关方法来实现机器学习。

2 学习回答是与非

2.1 感知器假设集合

重温1.4提到的信用卡发放问题。

申请人信息可用多维向量表示,每个维度有一个对应的权值,假设函数$\operatorname{h}(x)$为所有维度的权值与对应维度值乘积之和,超过某阈值则同意发放,否则拒绝发放。

如下推算说明可将阈值看作是第0维的部分。这样$\operatorname{h}(x)$可看作是第0维到第d维的权重与维度值的乘积之和。也可看作是$\pmb w$$\pmb x$两个向量的乘积。

在二维空间$\operatorname{h}(x)$是一条直线,在多维空间$\operatorname{h}(x)$是一个超平面。感知器即是一个线性分类器。

2.2 感知器学习算法

感知器学习算法是一个针对数据不断改进的算法,可能需要多轮演算及调整才可能找到一条满足条件的分割线。对于第t轮演算,若在该轮的第n个点发现错判(该轮的某个点的$y$值本来应为+1但算成了-1,说明$\pmb w$向量与$\pmb x$向量的夹角太大,造成内积太小;反之,若该轮某个点的$y$值本应为-1但算成了+1,说明$\pmb w$向量与$\pmb x$向量的夹角太小,造成内积太大),则将下一轮的$\pmb w$向量置为$\pmb w + y\pmb x$来进行改进(若$y$为+1,则为$\pmb w + \pmb x$,表示将$\pmb w$向量与$\pmb x$向量的夹角调整的小一点;若$y$为-1,则为$\pmb w - \pmb x$,表示将$\pmb w$向量与$\pmb x$向量的夹角调整的大一点)。

该算法的实际运用中,可能需要多轮循环直至所有的点都满足条件。

下面演示一下该算法的演进过程:

  • 原始数据

  • 第1轮:原点到$x_1$构成初始向量

  • 第2轮:根据第1轮找到的法向量对应的直线对数据进行划分,发现$x_9$被错判(本是圈,被错判为叉),则对下一轮$\pmb w$进行调整(与$x_9$夹角小一点)

  • 第3轮:根据第2轮找到的法向量对应的直线对数据进行划分,发现$x_{14}$被错判(本是叉,被错判为圈),则对下一轮$\pmb w$进行调整(与$x_{14}$夹角大一点)

  • 以此类推,直至某一轮幸运的找到一条分割线。

但感知器学习算法的问题是并不一定会找到演算停止的情形。

参考资料

[1] https://www.csie.ntu.edu.tw/~htlin/mooc/

[2] https://www.bilibili.com/video/BV1Cx411i7op?p=2

评论

正在加载评论......