Google 关于Machine Leaning 的笔记

前几天看了 Google 的一个关于 Machine Learning 的[slides][1],感觉不错,整理一下学习笔记

# ML 的定义

> An approach to achieve artificial intelligence through systems that can learn from experience to find patterns in that data

> ML teaches a computer to recognise patterns by examples, rather than programming it with specific rules.

一个例子:

![](https://ws1.sinaimg.cn/large/006tNc79gy1fmjv6ugbr4j31jw0mo4qp.jpg)

# feature

一般来说,几个属性就代表了几个维度。

有时候更多的维度,更容易做出分类:参考[这里](http://www.visiondummy.com/2014/04/curse-dimensionality-affect-classification/)

# 机器学习的分类

## 监督学习

数据是标注过的

## 无监督的学习

从没有标注的数据中学习

## 强化学习

通过带有激励的试错来学习

# 例子

## 线性回归(Linear Regression)

## 聚类

## KNN

## 神经网络

## fully-connected 神经网络

## 深度神经网络(DNN)

深度的意思就是有很多的层。比如说,对于人脸识别,其中某些层可能会识别出线条,然后有的层会识别出眼睛等等

## 卷积神经网络(CNN)

CNN 可以用来处理图片数据,以及可以表示为图片的数据。要确定一组数据可不可以表示为图片,可以尝试交换任意两行,或者任意两列,如果交换后对数据没有影响,那么就不可以被认为是图片数据。更多细节参看这个 [Video][2]

# 算法的分类

详细讲解请看[这里][1]

## Regression

回归首先要有一个评价误差的方法,然后迭代的求出模型。回归是一类从统计中得出的方法,比如上面说到的 线性回归(用最小二乘法),还有逻辑回归等等。

## Instance Based

Instance Based 是一个决策方法。通过相似度计算找出最接近的实例。比如KNN

## Decision Tree

自定向下,做出决策

## Bayesian

## clustering

## association rules

## Artificial Neural Network

模拟人的神经系统,比如感知机

## 深度学习

其实就是很多层的神经网络,比如CNN

## 降维 (Dimensionality Reduction)

找到数据的内在属性,然后缩减维度,以便能够使用监督学习方法

还有一个ensemble没看懂

# 机器学习的输出

## 连续输出

比如拟合好的线性回归跟定一个数值,可以预测另一个数值

## 概率预测

## 分类

比如分辨出小猫小狗,或者是识别数字

[1]: https://docs.google.com/presentation/d/1kSuQyW5DTnkVaZEjGYCkfOxvzCqGEFzWBy4e9Uedd9k/preview
[2]: https://youtu.be/FmpDIaiMIeA
[3]: https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/

About 逸飞

后端工程师

发表评论

电子邮件地址不会被公开。 必填项已用*标注