statistical learning vs machine learning data mining design vs learning

1. ‫לומדות‬ ‫מערכות‬
Igor Kleiner
Lecture 2/ Part 2
‫ישיר‬ ‫פתרון‬ ‫נגד‬ ‫למידה‬
2017

2. ‫תזכורת‬

3. Learning vs Design
•‫למידה‬ ‫בעיית‬ ‫היא‬ ‫סיווג‬ ‫בעיית‬ ‫כל‬ ‫לא‬
•‫אנו‬ ‫אם‬‫לא‬‫ללמוד‬ ‫כדי‬ ‫בדטה‬ ‫משתמשים‬,‫משתמשים‬ ‫אלה‬
‫ייצוב‬ ‫במסמכי‬ ‫שנתונים‬ ‫אובייקטים‬ ‫של‬ ‫בתכונות‬,‫בעיית‬ ‫זו‬ ‫אז‬
‫למידה‬ ‫בבעיית‬ ‫ולא‬ ‫ייצוב‬

4. Learning vs Design
•‫למשל‬,‫בתמונות‬ ‫מלבנים‬ ‫לזהות‬ ‫רוצים‬ ‫אנו‬
•‫מ‬ ‫באחד‬ ‫לנקות‬ ‫אפשר‬-2‫תכסיסים‬:
•‫מ‬ ‫מורכב‬ ‫שמלבן‬ ‫להבין‬-4‫קווים‬,‫במלבן‬ ‫הקווים‬ ‫את‬ ‫לזהות‬
‫של‬ ‫אלגוריתם‬ ‫בעזרת‬‫הף‬,‫שמצאנו‬ ‫הקווים‬ ‫על‬ ‫מלבנים‬ ‫לחפש‬ ‫ואז‬
•‫מסוג‬ ‫פתרון‬ ‫זה‬???

5. Learning vs Design
•‫למשל‬,‫בתמונות‬ ‫מלבנים‬ ‫לזהות‬ ‫רוצים‬ ‫אנו‬
•‫מ‬ ‫באחד‬ ‫לנקות‬ ‫אפשר‬-2‫תכסיסים‬:
•‫מ‬ ‫מורכב‬ ‫שמלבן‬ ‫להבין‬-4‫קווים‬,‫במלבן‬ ‫הקווים‬ ‫את‬ ‫לזהות‬
‫של‬ ‫אלגוריתם‬ ‫בעזרת‬‫הף‬,‫שמצאנו‬ ‫הקווים‬ ‫על‬ ‫מלבנים‬ ‫לחפש‬ ‫ואז‬
•‫ייצוב‬ ‫מסוג‬ ‫פתרון‬ ‫זה‬

6. Learning vs Design
•‫למשל‬,‫בתמונות‬ ‫מלבנים‬ ‫לזהות‬ ‫רוצים‬ ‫אנו‬
•‫מ‬ ‫באחד‬ ‫לנקות‬ ‫אפשר‬-2‫תכסיסים‬:
•‫למידה‬ ‫לאלגוריתם‬ ‫לתת‬,‫מלבן‬ ‫עם‬ ‫תמונות‬ ‫עם‬ ‫דוגמאות‬ ‫הרבה‬
‫מלבן‬ ‫בלי‬ ‫תמונות‬ ‫ועם‬,‫להבדיל‬ ‫ילמד‬ ‫שהוא‬ ‫כדי‬
•‫מסוג‬ ‫פתרון‬ ‫זה‬‫מנתונים‬ ‫למידה‬

7. ‫לסיכום‬
•‫ייצוב‬ ‫בבעיות‬,‫היטב‬ ‫מוגדרת‬ ‫כלל‬ ‫בדרך‬ ‫בעיה‬,‫את‬ ‫למצוא‬ ‫ניתן‬
‫נוסחה‬f‫אנליטית‬ ‫בצורה‬,‫בנתונים‬ ‫להשתמש‬ ‫צורך‬ ‫אין‬
•‫למידה‬ ‫בבעיות‬,‫כלל‬ ‫בדרך‬,f‫קשה‬,‫ידוע‬ ‫לא‬,‫נוסחה‬ ‫ובלי‬
‫אנליטית‬,‫את‬ ‫לקרב‬ ‫כדאי‬ ‫בנתונים‬ ‫להשתמש‬ ‫ויש‬f‫בעזרת‬
‫פונקציה‬g

8. Statistical vs Machine Learning

9. Statistical vs Machine Learning
•‫מדטה‬ ‫מסקנות‬ ‫להסיק‬ ‫מנסים‬ ‫התחומים‬ ‫בשתי‬
•‫בינם‬ ‫משותפים‬ ‫דברים‬ ‫הרבה‬ ‫יש‬

10. Statistical vs Machine Learning
•‫סטטיסטית‬ ‫בלמידה‬,‫כלל‬ ‫בדרך‬,‫הנחות‬ ‫מעט‬ ‫לא‬ ‫מניחים‬:‫על‬
‫דטה‬ ‫של‬ ‫התפלגות‬,‫פרמטרים‬ ‫של‬ ‫תלויות‬ ‫על‬‫וכו‬
•‫שמקבלים‬ ‫ההערכות‬,‫סטטיסטית‬ ‫בלמידה‬,‫כלל‬ ‫בדרך‬,‫יותר‬
‫מתקיימות‬ ‫ההנחות‬ ‫שכל‬ ‫בתנאים‬ ‫אבל‬ ‫טובות‬,‫שגם‬ ‫לבודק‬ ‫גם‬ ‫יש‬
‫מתקיימות‬ ‫ההנחות‬

11. Statistical vs Machine Learning
•‫זאת‬ ‫לאומות‬,‫ממוכנת‬ ‫בלמידה‬ ‫שמקבלים‬ ‫הערכות‬,‫להיות‬ ‫יכולות‬
‫מדויקות‬ ‫פחות‬,‫הנחות‬ ‫הרבה‬ ‫להניח‬ ‫צורך‬ ‫אין‬ ‫אבל‬,‫גם‬ ‫וכמובן‬
‫אותם‬ ‫לבדוק‬

12. Statistical vs Machine Learning
•‫שימוש‬ ‫נראה‬ ‫אנו‬ ‫בקורס‬‫ברגרסיה‬‫ההיבטים‬ ‫משתי‬,‫כך‬
‫בינם‬ ‫להשוות‬ ‫שנוכל‬

13. Data Mining
•‫נתונים‬ ‫כריעת‬(‫מידע‬:)‫נתונים‬ ‫של‬ ‫באנליזה‬ ‫עוסק‬ ‫בעיקר‬
‫קיימים‬:
•‫שונים‬ ‫הפרמטרים‬ ‫בין‬ ‫קורלציות‬ ‫מציאת‬
•‫הנתונים‬ ‫בתוך‬ ‫תבניות‬ ‫מציאת‬
•‫למשל‬,‫מיליון‬ ‫של‬ ‫בנתוני‬ ‫למחלה‬ ‫סיכום‬ ‫גורמי‬ ‫מציות‬ ‫בעיית‬
‫חולים‬
•‫ממוחשבת‬ ‫ולמידה‬ ‫נתונים‬ ‫כריעת‬ ‫בין‬ ‫חיתוך‬ ‫נקודות‬ ‫הרבה‬ ‫יש‬

14. ‫לסיכום‬
‫מנתונים‬ ‫למידה‬ ‫בעיוות‬ ‫נגד‬ ‫ייצוב‬ ‫בעיות‬
‫ממוחשבת‬ ‫למידה‬ ‫נגד‬ ‫סטטיסטית‬ ‫למידה‬
‫נתונים‬ ‫כריעת‬

15. Links
• Course videos: https://goo.gl/osnGa7
• Course slides:
https://www.slideshare.net/igorkleiner5
• Course Facebook group: https://goo.gl/7WzpTU
• email: igkleiner@gmail.com