Submit Search
Upload
Basic Introduction to Machine Learning
•
1 like
•
202 views
Y
Yu Long (Drake) Lin
Follow
Basic introduction to the newcomer to machine learning
Read less
Read more
Technology
Report
Share
Report
Share
1 of 54
Recommended
金融基測-模擬考題20題
金融基測-模擬考題20題
逸 張
問題分析與解決 詹翔霖教授-核心幹部管理實務
問題分析與解決 詹翔霖教授-核心幹部管理實務
文化大學
R 語言教學: 探索性資料分析與文字探勘初探
R 語言教學: 探索性資料分析與文字探勘初探
Sean Yu
動物之家 領養流程服務設計優化 v2
動物之家 領養流程服務設計優化 v2
NTUST
20161209-Julia Taiwan first meetup-julia語言入門
20161209-Julia Taiwan first meetup-julia語言入門
岳華 杜
Hello DNN
Hello DNN
evan li
Pycontw2013x
Pycontw2013x
weijr
深入浅出复合事件处理(CEP)
深入浅出复合事件处理(CEP)
Dahui Feng
Recommended
金融基測-模擬考題20題
金融基測-模擬考題20題
逸 張
問題分析與解決 詹翔霖教授-核心幹部管理實務
問題分析與解決 詹翔霖教授-核心幹部管理實務
文化大學
R 語言教學: 探索性資料分析與文字探勘初探
R 語言教學: 探索性資料分析與文字探勘初探
Sean Yu
動物之家 領養流程服務設計優化 v2
動物之家 領養流程服務設計優化 v2
NTUST
20161209-Julia Taiwan first meetup-julia語言入門
20161209-Julia Taiwan first meetup-julia語言入門
岳華 杜
Hello DNN
Hello DNN
evan li
Pycontw2013x
Pycontw2013x
weijr
深入浅出复合事件处理(CEP)
深入浅出复合事件处理(CEP)
Dahui Feng
藍色投機客 計量化交易策略的開發
藍色投機客 計量化交易策略的開發
guest87f844
淺談量子機器學習 - 當機器學習遇見量子計算
淺談量子機器學習 - 當機器學習遇見量子計算
Yi-Feng Tzeng
云计算
云计算
David Xie
連淡水阿嬤都聽得懂的機器學習入門 scikit-learn
連淡水阿嬤都聽得懂的機器學習入門 scikit-learn
Cicilia Lee
手勢以及身體骨架辨識
手勢以及身體骨架辨識
CHENHuiMei
海量資料與圖書館
海量資料與圖書館
皓仁 柯
用 Keras 玩 Machine Learning
用 Keras 玩 Machine Learning
家弘 周
蔡学镛 - 深入浅出符合事件处理
蔡学镛 - 深入浅出符合事件处理
d0nn9n
Introduction of Reverse Engineering
Introduction of Reverse Engineering
YC Ling
人机对弈编程概述
人机对弈编程概述
勇浩 赖
品管七大手法1
品管七大手法1
5045033
More Related Content
Similar to Basic Introduction to Machine Learning
藍色投機客 計量化交易策略的開發
藍色投機客 計量化交易策略的開發
guest87f844
淺談量子機器學習 - 當機器學習遇見量子計算
淺談量子機器學習 - 當機器學習遇見量子計算
Yi-Feng Tzeng
云计算
云计算
David Xie
連淡水阿嬤都聽得懂的機器學習入門 scikit-learn
連淡水阿嬤都聽得懂的機器學習入門 scikit-learn
Cicilia Lee
手勢以及身體骨架辨識
手勢以及身體骨架辨識
CHENHuiMei
海量資料與圖書館
海量資料與圖書館
皓仁 柯
用 Keras 玩 Machine Learning
用 Keras 玩 Machine Learning
家弘 周
蔡学镛 - 深入浅出符合事件处理
蔡学镛 - 深入浅出符合事件处理
d0nn9n
Introduction of Reverse Engineering
Introduction of Reverse Engineering
YC Ling
人机对弈编程概述
人机对弈编程概述
勇浩 赖
品管七大手法1
品管七大手法1
5045033
Similar to Basic Introduction to Machine Learning
(11)
藍色投機客 計量化交易策略的開發
藍色投機客 計量化交易策略的開發
淺談量子機器學習 - 當機器學習遇見量子計算
淺談量子機器學習 - 當機器學習遇見量子計算
云计算
云计算
連淡水阿嬤都聽得懂的機器學習入門 scikit-learn
連淡水阿嬤都聽得懂的機器學習入門 scikit-learn
手勢以及身體骨架辨識
手勢以及身體骨架辨識
海量資料與圖書館
海量資料與圖書館
用 Keras 玩 Machine Learning
用 Keras 玩 Machine Learning
蔡学镛 - 深入浅出符合事件处理
蔡学镛 - 深入浅出符合事件处理
Introduction of Reverse Engineering
Introduction of Reverse Engineering
人机对弈编程概述
人机对弈编程概述
品管七大手法1
品管七大手法1
Basic Introduction to Machine Learning
1.
Basic Introduction to Machine
Learning Drake Lin
2.
Outline 1. 機器學習概念 2. 機器學習流程 3.
機器學習實作 4. 深入機器學習
3.
Outline 1. 機器學習概念 2. 機器學習流程 3.
機器學習實作 4. 深入機器學習
4.
機器怎麼學習?
5.
機器怎麼學習?
6.
機器怎麼學習?
7.
機器怎麼學習?
8.
機器怎麼學習?
9.
機器怎麼學習?
10.
機器怎麼學習? Perceptron Learning Algorithm
(PLA)
11.
假設你家開銀行要發信用卡 收入 年齡 用PLA學出分類器
12.
用機器自動審核發卡 收入 年齡
13.
用機器自動審核發卡 收入 年齡 發卡!
14.
假設你家開銀行要發信用卡 收入(X) 年齡 (X) 歷史資料歷史資料 用PLA學出分類器 核准/拒絕(Y)
15.
假設你家開銀行要發信用卡 收入(X) 年齡 (X) 用PLA學出分類器 歷史資料歷史資料 能力 演算法 資料 輸入 輸入 核准/拒絕(Y) 輸出
16.
機器學習作什麼? 使用適當特徵(X)描述的資料,透過學習演算法,讓機器 學習某種能力(X->Y)
17.
機器學習作什麼? 使用適當特徵(X)描述的資料,透過學習演算法,讓機器 學習某種能力(X->Y) 未知的目標函式(f)定義了X和Y的實際關係。希望使用資 料(D)並透過學習演算法(A)來學習出一個函式(g),並希 望g可以和f越接近越好 Machine Learning Foundation
– Lecture 1: The Learning Problem, Hsuan-Tien, Lin
18.
什麼時候適合使用機器學習 1. 資料或問題有潛藏的模式(Pattern)可學習 2. 具有存在規則,但無法得知該如何(或是簡單)的定義 3.
需要有資料,因為機器學習而要從資料來學習 Machine Learning Foundation – Lecture 1: The Learning Problem, Hsuan-Tien, Lin
19.
Outline 1. 機器學習概念 2. 機器學習流程 3.
機器學習實作 4. 深入機器學習
20.
機器學習流程 學習演算法資料 評估效果
21.
機器學習流程 結構化資料(Structure Data) •
Relational Database 半結構化資料(Semi-structure Data) • XML, HTML 非結構化資料(Unstructured Data) • Image, Log, Memo 學習演算法資料 評估效果
22.
機器學習流程 監督式學習(Supervised Learning) •
從輸入(X)和預期輸出(Y)學習出能預測新實例的模型 • PLA, Regression, Decision Tree, Naïve Bayes, SVM…. 非監督式學習 (Unsupervised Learning) • 沒有預期輸出(Y),用輸入(X)找到資料背後潛在的Pattern • K-means, Hierarchical Clustering, SOM… 學習演算法資料 評估效果
23.
機器學習流程 監督式學習:預測分類標籤 收入 年齡 SN X1
(收入) X2(年齡) 標籤 1 100W 30 1(核准) 2 20W 22 0(拒絕) 3 50W 28 1(核准)
24.
機器學習流程 監督式學習:預測連續數值 收入 額度 SN X1
(收入) 數值 1 100W 60W 2 60W 15W 3 50W 12W
25.
機器學習流程 非監督式學習 收入 年齡 SN X1
(收入) X2(年齡) 1 100W 30 2 20W 22 3 50W 28 Cluster=2
26.
機器學習流程 非監督式學習 收入 年齡 SN X1
(收入) X2(年齡) 1 100W 30 2 20W 22 3 50W 28 Cluster=3
27.
機器學習流程 收入 年齡 SN X1 (收入)
X2(年齡) 1 100W 30 2 20W 22 3 50W 28 Cluster=4 非監督式學習
28.
機器學習流程 Training Set/Test
Sets • 使用訓練資料學習,透過測試資料作模型驗證 Confusion Matrix • 計算模型評估指標來衡量學習效果 • Accuracy, Precision, Recall, F1-Score… 學習演算法資料 評估效果
29.
機器學習流程 Training Set/Test
Sets • 使用訓練資料學習,透過測試資料作模型驗證 Confusion Matrix • 計算模型評估指標來衡量學習效果 • Accuracy, Precision, Recall, F1-Score… 學習演算法資料 評估效果
30.
機器學習流程 Training Set/Test
Sets 訓練資料集 測試資料集 收入 年齡
31.
機器學習流程 Training Set/Test
Sets 收入 年齡 訓練資料集 測試資料集
32.
機器學習流程 Training Set/Test
Sets 收入 年齡 訓練資料集 測試資料集
33.
機器學習流程 Training Set/Test
Sets 收入 年齡 訓練資料集 測試資料集
34.
機器學習流程 Training Set/Test
Sets 收入 年齡 訓練資料集 測試資料集 分錯!!!
35.
機器學習流程 Confusion Matrix 核准
拒絕 核 准 70 3 拒 絕 5 22
36.
機器學習流程 Confusion Matrix 核准
拒絕 核 准 True Positive(TP) False Positive(FP) 拒 絕 False Negative(FN) True Negative(TN)
37.
機器學習流程 Confusion Matrix 核准
拒絕 核 准 70(TP) 3(FP) 拒 絕 5(FN) 22(TN) 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃 + 𝑇𝑁 𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 = 70 + 22 70 + 22 + 3 + 5 = 0.92
38.
機器學習流程 Confusion Matrix 核准
拒絕 核 准 70(TP) 3(FP) 拒 絕 5(FN) 22(TN) 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 = 70 73 = 0.958
39.
機器學習流程 Confusion Matrix 核准
拒絕 核 准 70(TP) 3(FP) 拒 絕 5(FN) 22(TN) 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 = 70 75 = 0.93
40.
機器學習流程 Confusion Matrix 核准
拒絕 核 准 70(TP) 3(FP) 拒 絕 5(FN) 22(TN) 𝐹1 = 2 ∗ 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∗ 𝑟𝑒𝑐𝑎𝑙𝑙 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙 = 2 ∗ 0.958 ∗ 0.93 0.958 + 0.93 = 0.94
41.
其實不簡單 學習演算法資料 評估效果 Bias/Variance Underfitting Overfitting
42.
其實不簡單 學習演算法資料 評估效果 Bias/Variance Underfitting Overfitting • Cross
Validation
43.
其實不簡單 學習演算法資料 評估效果 Bias/Variance Underfitting Overfitting • Select
Algorithm • Regularization • Hyperparameter Tuning • Cross Validation
44.
其實不簡單 學習演算法資料 評估效果 Bias/Variance Underfitting Overfitting • Cross
Validation • Select Algorithm • Regularization • Hyperparameter Tuning • Feature Selection • Feature Transformation • Feature Scaling
45.
其實不簡單 學習演算法資料 評估效果 Bias/Variance Underfitting Overfitting • Cross
Validation • Select Algorithm • Regularization • Hyperparameter Tuning • Feature Selection • Feature Transformation • Feature Scaling • Data Cleaning • Data Augmentation
46.
Outline 1. 機器學習概念 2. 機器學習流程 3.
機器學習實作 4. 深入機器學習
47.
使用機器學習框架 使用scikit-learn實作機器學習 建議直接安裝Anaconda https://www.anaconda.com/download/
48.
自己動手訓練模型 from sklearn.datasets import
load_iris # 載入內建的iris資料集 iris_data = load_iris() X_data = iris_data.data Y_data = iris_data.target target_name = iris_data.target_names
49.
自己動手訓練模型 from sklearn.model_selection import
train_test_split # 將資料切分訓練/測試資料集 X_train, X_test, y_train, y_test = train_test_split(X_data, Y_data, test_size=0.2, random_state=41)
50.
自己動手訓練模型 from sklearn.linear_model import
Perceptron # 開始訓練分類器 clf = Perceptron() # 使用訓練資料訓練做training clf.fit(X_train, y_train) # 使用測試資料看預測的結果 pred = clf.predict(X_test)
51.
自己動手訓練模型 from sklearn.metrics import
confusion_matrix, classification_report, accuracy_score # 將預測結果和實際標籤計算整體分類正確率 acc = accuracy_score(y_test, pred) # 看confusion matrix matrix = confusion_matrix(y_test, pred) # 看詳細的分類結果(Precision, Recall, F1-Score) report = classification_report(y_test, pred, target_names=target_name)
52.
自己動手訓練模型 換個分類演算法試試看? (例如: SVM) 提示:
from sklearn.svm import SVC
53.
Outline 1. 機器學習概念 2. 機器學習流程 3.
機器學習實作 4. 深入機器學習
54.
學習資源 Machine Learning Coursera: Machine
Learning Udacity: Intro Into Machine Learning 林軒田 MOOCs: Machine Learning Foundation Machine Learning Techniques Deep Learning: Coursera: Deep Learning 李弘毅 Course: DL/ML Tutorial