提高工作效率分享–數據挖掘12-插播機器學習

大家好，新的一周開始了，周末我聽了一個線上的分享，關於機器學習方面的內容，講的很好所以我來做下筆記。

正式開始~~~

近期機器學習與以前相比有哪些變化？

數據的擁有：

採集數據、簡單處理數據的能力有所提高

對數據定性的能力：

例如對一張照片的標註，如一隻狗還是一隻貓

計算能力的飛躍：

不僅局限於在CPU上進行計算，而且可在GPU、GPU雲上進行計算

機器學習理論、演算法的提高：

有很多的開源軟體、自動化的方式可以剪短開發周期

綜上近5年的飛躍，開始看好機器學習。（機器學習早就存在，但是之前並沒有被看好）當我們擁有足夠數據量的時候，神經網路演算法的應用，如自動駕駛、自動識別路況、自然語言的智能（聊天記錄、音頻、視頻信息）就可以訓練一個機器來幫助人類的行為。

這個線上分享關注於智能醫療，但我覺得該原理在各個領域都相似，只是大數據存儲信息的區別。智能醫療的產生和發展來源於人類做決策的局限，人類個體所了解的信息是不完全的，人類處理信息的能力也是有限的，不是那麼快，導致判斷時會出現錯誤。機器學習可以為人類做決策做出輔助。

為什麼要相信機器？

比如對一件事情的判斷最高的準確率為100%，深度學習演算法是建立在普通機器學習之上，更加複雜和深入。當數據量增加到大數據量時，深度學習可以利用大數據的資源進行演算法的計算，並超過人類判斷能力準確率的極限。

為什麼機器的智能學習是可行的？ 共有4點說明：

醫療數據是各個領域數據整合比較好的

醫學的影像系統都記錄了下來

醫療的數據量足夠

醫療數據需要清洗和處理進行標記，有生物指標、病理的推理、治療的方案、複查、治療的效果等。（數據的標記很重要，計算機可以通過學習已經標記的數據，產生一套智能演算法，得出推論和判斷）

關於機器學習演算法的原理的描述？

機器學習理論，神經網路的突破，由輸入層到輸出層。假如輸入層是一張圖片，輸出層就會告訴我們是一隻貓的概率是多少，是一隻大象的概率多少，或者是一個什麼風景等等，最後取最高概率結果。

輸入層到隱藏一層、到隱藏二層、到隱藏三層...直到輸出層。

卷積計算過程：小窗戶圖片與輸入層圖片的相似度有多少？

每進行一次覆蓋就會得出一個數據，這個數據放在矩陣中；如果計算得出的結論是對的，會保存小窗戶上的圖片，如果結論是錯的，就改變小窗戶上的圖片，這就是卷積神經網路工作過程的粗淺描述。目前為152層，超過人類判斷的準確率。

另外智能學習在有一定量數據之後可以將更微妙的聯繫洞察到，比如：該治療方法適合什麼性別的病人，適合什麼身高體重的病人等等。

以上就是我做的筆記，感謝大家的閱讀，886順祝大家新的一周一切順利。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！