iT邦幫忙

第 11 屆 iT 邦幫忙鐵人賽

DAY 27
0
Google Developers Machine Learning

Google Developers Machine Learning 學習系列 第 27

【Day 27】Launching into Machine Learning(Introduction to Optimization-1)

前言

昨天開始coursera的課程就到期了,所以就沒辦法繼續截圖,從網路上抓又怕有版權問題。

主題

這個章節其實有點類似番外篇講的內容,主要會從最佳化的角度切入。

Defining ML Models

事實上大部分的Machine Learning Models都是在解決最佳化的問題,因此,如何設計出一道"好的"最佳化問題就會是精髓所在。這邊好的可以指許多方面,模型容易訓練、複雜度低、模型表現好等等,都會因為最佳化問題的設計而有所影響。
那麼要怎麼設計這道最佳化問題呢?其實前面有講過,利用Representation選擇模型,搭配上適合的Evaluation函數結合成問題。在這邊Evaluation函數通常又稱loss function或者cost function,與資料集和選定的模型結合後,得到要被最佳化的函數稱作目標函數(Objective function),問題通常就是要找出一組參數,使得目標函數的數值會最大\最小
更深入的去思考,為什麼要這樣設計問題呢?或者我們選定的Representation扮演著什麼樣的角色?
先考慮比較簡單的監督式學習,我們針對問題其實是有些假設的:

  1. 資料是由一種未知但固定的分配(distribution)產生
  2. 存在某種映射(mapping),將特徵(feature)對應到目標(target\label)
    監督式機器學習的目標,就是去近似這個映射,用什麼方式近似就是Representation的意義,近似的好壞就是Evaluation的功能,Optimization就是促成不斷學習的能量,最後得出最佳的近似來模仿真實的映射。

上一篇
【Day 26】Launching into Machine Learning(Introduction to Practical ML-7)
下一篇
【Day 28】Launching into Machine Learning(Introduction to Optimization-2)
系列文
Google Developers Machine Learning 學習30

尚未有邦友留言

立即登入留言