学习笔记-0-SVMandANN-创新互联
详细内容请关注微信公众号：运筹优化与数据科学
ID: pomelo_tree_opt
方老师的课，Shu-Cherng Fang, North Carolina State University
Supervised Machine Learning:
Support Vector Machines (SVM)
Neural Networks (NN)
System analytics vs. Data analytics
Data analytics更强调是从data到information / knowledge的过程
System analytics也有data analytics的过程，但是更侧重decision-making.
System analytics 是给系统工程，管理系统等专业的，要有“系统”的概念，尤其是偏“工程”相关的专业，工业工程、系统工程等。
AI的三个基本步骤
data mining -->machine learning -->analytics
Computers examine data to extract embedded information (data mining) to form useful knowledge (machine learning) for right decision making (analytics)
AI的三个基本分类
(1) 有监督的学习，主要是分类和预测，主流的有支持向量机和人工神经网络
(2) 无监督的学习，主要是聚类和特征工程，相关的内容有similarity learning and spare solutions. Feature的东西，feature往往是越少越好，用较少的特征来描述问题
(3) 强化学习，reinforcement learning, 首先强调的是动态环境，dynamic environment, 因为环境在变，所以相比之下data的属性没有那么强，更强调动态过程，“且战且走”，相关的内容有动态规划、马尔可夫决策过程、强化学习。
Machine learning vs. optimization
Machine learning的问题往往要么是最小化损失函数，要么是大化一些回报函数
Many machine learning problems are formulated as
minimization of some loss function that measures discrepancy between the predictions of the model being trained and the actual problem instances,
maximation of some reward function that affirms an expected decision.
两者的一个重要区别是
Optimization是在seen examples上做文章，做generalization, 是希望“当前做到最好”
Machine learning更关心的是在unseen samples上的表现，做泛化时往往“留有余地”，因为目标是“以后做到最好的可能性大”
Research并不神圣，其实就是要知道事情的来龙去脉，要知道它可以怎么做，做出来可以是什么样子。读paper时理解不了，往往并不是作者比我们聪明，或者说我们自己的知识太差，而是我们不知道应该怎么看待它，怎么去欣赏或辨析，怎么去appreciate.
Data science更多的是engineering的事情，要强调动手去实现、去练习。大部分都是engineering solution, 而不是mathematical solution.
动手就需要工具，Matlab, Python, Java, Cplex, Gurobi, etc. 工学院的研究生，“谋生的工具”，“吃饭的家伙”
你是否还在寻找稳定的海外服务器提供商？创新互联www.cdcxhl.cn海外机房具备T级流量清洗系统配攻击溯源，准确流量调度确保服务器高可用性，企业级服务器适合批量采购，新人活动首月15元起，快前往官网查看详情吧
文章标题：学习笔记-0-SVMandANN-创新互联
网站路径：http://pwwzsj.com/article/dgeijc.html
