机器学习中比较活跃的四大领域

机器学习中比较活跃的四大应用领域

数据挖掘

用机器学习方法，发现数据之间的关系

计算机视觉

用机器学习方法，让计算机像人一样看懂世界

自然语言处理

用机器学习方法，让计算机像人一样看懂文字

机器人决策

用机器学习方法，让计算机像人一样具有决策能力

例如：左转方向盘，右转方向盘，紧急制动等

数据挖掘案例：

一、回归问题

回归问题的主要内容：

1. 从一组数据出发，确定某些变量之间的定量关系式；即建立数学模型并估计未知参数。

2. 检验这些关系式的可信任程度。

3. 在多个自变量影响一个因变量的关系中，判断自变量的影响是否显著，将影响显著的选入模型中，剔除不显著的变量。

4. 利用所求的关系式对某一过程进行预测或控制。

案例1：根据一个人体检指标：求数学函数f（sex,age,protein,……,lymphocyte）=Blood Glucose;

此函数为连续型的多维概率密度函数，得到的是血糖的连续值。

二、分类问题

通过建立函数将样本离散化，实质就是回归问题的离散化结果。0

案例2：预测是否得了糖尿病

已知样本数据，求函数f(height,SNP1(基因系列）,BMI分类，……，SNPSS)=whether a person has diabetes

三、什么是机器学习

根据已知的数据，学习出一个数学函数f(x1,x2,x3,x4,……)=y使其更能够有更强的预测能力。

四、专有名词概念

机器学习模型：f

Features（特征）

Label（标记）

样本、数据集

案例：计算机视觉分类

案例三：图像分类

输入图像->输出类别

已知：输入一些实例样本，给出标签：airplane，automobile，bird，cat……

求：一个机器学习模型f,使其实现上述功能。

案例四：目标检测

让机器检测出一张图片中所有的类别，并输出类别在图片中的位置信息（矩形块圈中物体）

案例五：语义分割

给出图片：一匹马，被完整的分割出来

本质上来讲仍是分类问题，即对每个像素点进行分类。

f([xi,yi])=y ([xi,yi])代表第i个像素点

案例六：场景理解

无人驾驶领域：

无人车根据学习结果识别场景区分可驾驶区域

案例七：文本分类

一篇新闻->输入->机器学习模型->输出->类别

案例8：自动生成文本摘要

一篇文章->输入->机器学习模型->输出->摘要

案例九：翻译

输入英文->输出中文

案例十：问答

Query+text->输入->输出->答案

案例十一：人机对话

微软小冰

案例十二：image to text

输入图片->输出描述性文字

案例十三：end to end级自动驾驶

传统无人驾驶：相机+雷达->3D建模->路径规划->产生控制信号（1.感知环境2.路径规划3.控制信号）

端到端：采集图像（大量）->机器学习模型（省略了3D建模和路径规划）->控制信号

案例十四：玩赛车游戏

用程序来控制赛车，让程序玩游戏而不是人玩，使其具有决策能力。

趋势：机器人与人打。

案例十五：机器人开门

机器人通过摄像头采集信息，输出控制信号

学习过程：通过成千上万次的仿真实验模拟这个过程，使得机器掌握开门的能力。

机器学习的分类：

1.传统的监督学习/深度学习：案例1、2

2.深度学习：自然语言处理所有案例，计算机视觉所有案例，end to end 级无人驾驶13

3.深度学习+强化学习：案例14，15

学习路线：1->2->3

循序渐进