机器学习讲座

前言

靠着回忆和理解,把今天对讲座的一些认识记录下来.
如若侵权,请告知.

讲座内容

在大数据时代，因应用需求的驱动，大量新机器学习方法不断产生。 这些新算法理论依据各异，彼此之间的关系极其复杂，对使用者要求极高。但是，儿童的学习能力极高， 却不能掌握现今机器学习的理论。 是否能够提出一套符合人类认知的机器学习理论，是当前一个亟待解决的问题。本次报告试图提出一个统一基于认知的机器学习公理化框架， 其基本假设是： 归哪类，像哪类；像哪类，归哪类。该机器学习理论可以推演出归类方法的三条设计原则， 以统一的方式重新解释了数据降维、密度估计、回归，聚类和分类等问题，而且与日常生活中的认知原则一致。

问题由来

苹果还是屁股?
一女老师在黑板上画了一个苹果,问学生这是什么?学生回答说:”屁股”. 女老师听到后很生气,去跟校长反应. 校长不高兴,来教室查看,看到黑板上画的图,”原来真的是屁股啊”.

问题分析

• 为什么老师认为那是苹果,而学生和校长却认为是屁股?

因为老师画的时候就想着画苹果(信息输入),所以从她内在认知上就把它归我苹果.
而学生从外表(信息输出)看,第一眼就是像屁股,所以认为它是屁股.

如果老师一开始就说画个苹果(信息输出),估计学生也会认为它是苹果.
就像心理学中提过: 如果你事先给一个人灌输一个思想,他就会受这思想影响. 比如三人成虎.都说天上的云像匹马,你即使开始不这么认为,到最后还是相信的确是像一匹马.

理论研究

基本假设是： 归哪类，像哪类；像哪类，归哪类

语义分析
“归哪类,像哪类” 表示的是信息输入者的归类准则,”像哪类,归哪类”是信息输出者的归类准则.

根据上面的例子做个解释: 老师计划画苹果,所以画出来,自己认为是苹果,这是归哪类,像哪类.
学生从外观看像屁股,所以说是屁股,这是像哪类,归哪类.

结论
不同的认识视角,看到的不一样,所以分类中如果你选择的算法不同,你的归类可能就不同,没有完全确定的分类.
就像一水果,如果你从外观上看不像苹果,如果从成分上属于苹果,你选择的测量标准不同,分类可能就不同.

生活中大多数问题或者事物都是不能用公理来描述,比如人,到现在也无法讲清具有什么样特征的是人.

既然这样,那还有研究分类的必要性吗?
有,分类可以解决普遍性问题,或者适应于某个场景.

辨别理论

1. 原型理论 –模范 如雷锋,一个标准的好人, 检测其他人是不是好人,看其具不具有雷锋相似的属性,相似度多大. 但雷锋之前的人如何比较,肯定也是有好人,所以这个也有其局限性. 两条腿没毛的就是人(柏拉图),亚里士多德抓来一个拔光毛的鸡,推翻其关于人的说法

2. 样例理论
   有个样例库,和它们进行相似度比较. 问题:如果出现了样例库中没有的样例,如何处理.

类表示公理和归类公理(关键)

分类方法:
硬分类: 要么归于A类,要么归于B类.
软分类: 基于概率, 对每种分类有个隶属度

分类研究:
单类别分析:
多类别: 聚类

附一图,暂时不明白,碰到时再做补充.