[ML筆記] Coursera 機器學習基石(上) Week1

Coursera 機器學習基石(上) Week1 筆記

機器學習適合用來解決什麼問題？

有 Pattern 但是 Pattern 過於複雜，不容易用 Rule based 解掉

有明確的問題目標

有 Data !

以電影推薦系統來舉例說明

對於電影的屬性維度可能有，影片種類，出現哪些明星，影片片長等

根據 user 過去喜歡看的電影的特型，可以得到該 user 的喜愛特性分佈

針對一部電影的屬性做完分析後，可以使用 inner product 內積計算跟使用者的配對分數

Machine Learning 的 Model

一切都從資料開始！

D: data

f: 真實世界中的運行規則，是我們要解決問題的目標

H: 假設

A: 演算法

g: 我們根據假設H 透過資料D 與方法A 所得到逼近我們的目標 f 的函式

以使用者辦信用卡的評估系統為例

以下舉例可能有的假設

h1: 該使用者年收入大於 80 萬就核卡

h2: 該使用者如果有龐大的債務，就核準辦卡 (屬於比較容易花錢的類型)

h3: 該使用者是新鮮人，剛工作不到兩年 (可能是比較愛花錢型)

但是真實世界中，會辦信用卡的情況只有上帝知道，狀況非常的複雜，所以我們要透過過往的

辦卡資料與還款紀錄，透過 ML 的方法來找出一個策略 g ，盡量讓我們的 g 逼近真實情況

隨堂練習：以下是個音樂推薦系統，試著定義出 X (input), Y (output), D (Data), H (假設)

Machine Learning 與 Data mining，AI 以及統計學的比較

Data mining 輸入大量資料，試著找出資料當中，哪個屬性跟哪個屬性之間有相互影響的關係

基本上 Data mining 與 ML 是相輔相成的，只是 ML 的重點是在於找到一個 function g 試圖去逼近真實世界難以用簡單方法處理的目標函數 f

而 Data Mining 大多在是資料庫上進行，所以這塊領域還有一部分是在探討資料庫方面的優化

AI 的目標是，讓電腦能夠表現得聰明

ML 則是實現 AI 的其中一種手段

當然 AI 很多有別於 ML 其他不同的方法，例如決策樹

統計學是在做假設推論，從數據上推論驗證我們的假設

所以統計學可做為 ML 的一個重要的分析工具

陳雲濤的部落格