机器学习与数据挖掘T.ppt

社会的需求
中
国 生物、网络、金融、经济和安全等众多领域，大变
科 学
院
量集合的海量数据不断涌出，社会迫切需要分析与 处理这些数据的有效理论、方法与技术。
自
动 寻找分析与处理大变量集合海量数据的新理念、理
化 研
论、方法与技术成为当前迫切的任务。
究
所
历史的故事
中国科学院自动化研究所
Machine Learning and Data Mining 2009
考虑泛化为核心
Machine Learning and Data Mining 2009
统计机器学习
中
国 神经网络基于PAC的机器学习基于统计学的机器学习
科 学
1986年， Remulhart发表PDP报告，包含非线性BP算法，解决XOR,逼 近非线性函数。学术价值不大，人们开始重新尝试“平均”方法。
所 新世纪开始，统计学家加入SML，完全放弃PAC(Hastie)。
从ANN到SML，发展得力于对字符识别的成功
Machine Learning and Data Mining 2009
维数灾难
中
国 在高维空间(成百上千)建模，最大的危险就是空间大
科 的程度使得再多的样本，在这个空间上也是稀疏的。
Machine Learning and Data Mining 2009
线性感知机
中
国 1902年，James的神经元相互连接
科 1943年，McCulloch和Pitts的神经元工作方式
学 1949年，Hebb的学习律。
院
自
动 基于最小二乘的Rosenblatt的感 基函数：
化 知机(1956)，其本质是多变量空 L = 1D + 2I + 3G + 4S
研 究 所
过分强调独立性，使得描述任何一个问题，需要穷举出 所有可能。80年代，耗资巨大的CYC“失败”了。
需要统计方法成为共识。
Machine Learning and Data Mining 2009
20世纪80年代面临的选择
中
国 概率图模型(Bayes学派):
科
Markov随机场
学
Bayes网
第九届机器学习 及其应用研讨会 2011年11月，清华大学
机器学习的困惑 与历史的启示
王珏
中国科学院自动化研究所
Machine Learning and Data Mining 2009
统计机器学习的麻烦
[采样]
统计机器学习
自
样本集
假设iid
然
[算法]
模 ？？？？？
模型
[交叉验证]
型 [设计实验]
研 间上的平均(回归)。
设计算法，确定，获得模型
究 所
贡献是：多变量回归的计算方法(神经网络)。
疑问是：只能解决线性问题，不能满足实际的需要。埋下
被批评的口实。
Machine Learning and Data Mining 2009
20世纪70年代面临的选择
中
国 科 学
院
统计优化(平均)： 线性感知机 统计模式识别
特殊函数的逼近
如果数据不充分，在大变量集合下，
问题：模型是自中然国模科型吗学？院自如动何设化计研实究验所，获得新数据。
Machine Learning and Data Mining 2009
统计机器学习的困难：实验设计存在组合问题。iid成为与自然模 型无关的假设！
Machine Learning and Data Mining 2009
P(G | I, D)
动
化
L
P(L | I, D, G) L只与G有关，与其他独立
人工神经网络(频率学派):
BP 统计机器学习
院
自 动 化
Gibbs[1902], Wright[1935]
Clifford[1971] Pearl[1988，89]
选择
研
结构学习的困难
字符识别，网络数据建模
究
先验的结构
误差界指导算法设计
所
先验概率分布
算法基于线性感知机
推断是NPC
无需先验知识，无推断
究 所
非线性问题 计算效率
专家系统合理 复杂问题求解
实现智能系统的理想
Machine Learning and Data Mining 2009
AI
中
国 1956年，以复杂信息处理为契机，提出AI。其动机有二：
科 其一，发展处理符号的方法，其二，处理非线性问题。
学
院 自 动 化
1969年，M.Minsky发表颠覆性的报告， “Perceptron”。 表象是以XOR问题向以平均为基础的感知机发难，本质是 试图以结构方法代替平均。全书使用拓扑作为工具。
院
自 1991年，Vapnik借用在AI中的 贡献: (1)基于iid的误差界指导算法设
动 化
PAC，给出基于iid的误差界， 基于PAC的统计开始成为主流
计，(2)算法设计返回感知机，线性 算法，寻找线性空间(核映射)。
研 基于PAC理论，误差界以1-概率成立。这个参数在泛化意义下的解释： 究 理想，应该趋于0，但是，误差界将趋于无穷，成为平凡界。
中
国
科 学
一、表示
院
自 动
二、推断
化 研
三、学习
究
所
Machine Learning and Data Mining 2009
表示---I-map
中
国D
I
P(I,D,G,L,S)= P(I) P(D) P(G|I,D) P(L|G) P(S|I)
科
学
P(I)
院G
S
P(D | I) I与D相互独立
自
学
院 自 高维空间上的统计理论，多重积分是麻烦，补充“合适”
动 样本是麻烦。“同分布”只能停留在假设上，无法实施。
化
研
究
来自百度文库
由于困难具有本质性，平均遇到大麻烦！
所
Machine Learning and Data Mining 2009
概率图模型
中
国 基于平均的研究已经过去20余年，2009年，Koller出版巨
科 著(近1200页)，概率图模型。
学
院 自
结构(全局) + 平均(局部)
动
化
研 将平均放在局部，避免了维数灾问题，同时保证了泛化和
究 模型的可解释性，关键是结构，将局部的平均构造起来。
所
将问题考虑为求解Bayes问题
Machine Learning and Data Mining 2009
概率图模型的三个要素
复杂信息系统(结构)： 专家系统
句法模式识别
自 Duda and Hart[73]
If [D=0][G=A] then[L=0]
选择 动 从Bayes判别(分类)，
化 引入损失函数，变为正
If [I=0][G=A] then[L=0] If [D=1][I=1][G=A] then [L=1]
研 则化问题