南京大学周志华老师的一个讲普适机器学习的ppt【精品-ppt】分析.ppt

普适机器学习 (Pervasive Machine Learning);机器学习是人工智能的核心研究领域之一 任何一个没有学习能力的系统都很难被认为是一个真正的智能系统 经典定义：利用经验改善系统自身的性能 随着该领域的发展，主要做智能数据分析 并已成为智能数据分析技术的源泉之一 典型任务：预测（例如：天气预报）;数据挖掘;美国航空航天局JPL实验室的科学家在《Science》（2001年9月）上撰文指出：机器学习对科学研究的整个过程正起到越来越大的支持作用，……，该领域在今后的若干年内将取得稳定而快速的发展;美国航空航天局JPL实验室的科学家在《Science》（2001年9月）上撰文指出：机器学习对科学研究的整个过程正起到越来越大的支持作用，……，该领域在今后的若干年内将取得稳定而快速的发展;入侵检测： 是否是入侵？是何种入侵？;常用技术： 神经网络 支持向量机 隐马尔可夫模型 贝叶斯分类器 k近邻 决策树 序列分析 聚类 …… ……;例子3：有哪些信誉好的足球投注网站引擎;美国的PAL计划;RADAR (Reflective Agents with Distributed Adaptive Reasoning)，承担单位为CMU，首期7百万美元 目标：“the system will help busy managers to cope with time-consuming tasks” “RADAR must learn by interacting with its human master and by accepting explicit advice and instruction”;CALO (Cognitive Agent that Learns and Observes)，承担单位为SRI，首期2千2百万美元 除SRI外，这个子计划的参加单位有20家： Boeing, CMU, Dejima Inc., Fetch Tech Inc., GATech, MIT, Oregon HSU, Stanford, SUNY-Stony Brook, UC Berkeley, UMass, UMich, UPenn, Rochester, USC, UT Austin, UW, Yale, … CALO无疑是PAL中更核心的部分;美国的PAL计划：CALO子计划 (2);美国的PAL计划：CALO子计划(3);历史回顾(1);历史回顾(2);历史回顾(3);从主要范式的发展可以看出，ML实际上是一个应用驱动的学科，其根本的驱动力是“更多、更好地解决实际问题” 由于近20年的飞速发展，机器学习已经具备了一定的解决实际问题的能力，似乎逐渐开始成为一种基础性、透明化的“支持技术、服务技术” 基础性：在众多的学科领域都得以应用（“无所不在”） 透明化：用户看不见机器学习，看见的是防火墙、生物信息、有哪些信誉好的足球投注网站引擎；（“无所不在??） “机器更好用了”(正如CALO的一些描述：“you won’t leave home without it”；”embodied as a software environment that transcends workstations, PDA’s, cell phones, …”);作为支持和服务技术的“普适机器学习”带来了挑战和机遇： 出现了很多被传统ML研究忽视、但非常重要且尚无好的解决方案的问题（下面将以医疗和金融为代表来举几个例子） ML支持和服务的学科领域越多，新问题越多 ML与众多学科领域产生了交叉，而交叉领域正是大有可为处;医疗：以乳腺癌诊断为例，“将病人误诊为健康人的代价”与“将健康人误诊为病人的代价”是不同的 金融：以信用卡盗用检测为例，“将盗用误认为正常使用的代价”与“将正常使用误认为盗用的代价”是不同的 传统的ML技术基本上只考虑同一代价 如何处理代价敏感性？ 在教科书中找不到现成的答案，例如： Tom Mitchell, Machine Learning, McGraw-Hill, 1997 Nils J. Nilsson, Introduction to Machine Learning, draft 1996 - 2004;医疗：以乳腺癌诊断为例，“健康人”样本远远多于“病人”样本 金融：以信用卡盗用检测为例，“正常使用”样本远远多于“被盗用”样本 传统的ML技术基本上只考虑平衡数据 如何处理数据不平衡性？ 在教科书中找不到现成的答案;医疗：以乳腺癌诊断为例，需要向病人解释“为什么做出这样的诊断” 金融：以信用卡盗用检测为例，需要向保安部门解释“为什么这是正在被盗用的卡” 传统的ML技术基本上只考虑泛化不考虑理解 如何处理可理解性？