我们的存在离不开信息,我们依赖数据而存在,大脑就是一个黑箱,连接黑箱和外界的就是你的感官,在时间流里,各种数据被我们的感官提取,传入大脑。大脑可以对信息进行建模,理解信息,预测未来,通过肌肉控制器对外发出指令,改变外在的世界。
语言是这整个环节当中一个非常重要的因素,语言可以将数据在不同的大脑模型间传递,这些模型就组成了更为强大的网络,创造了高等文明。语言也是一种客观的记录工具。
我们人类的语言是对我们存在世界的一种映射,而计算机语言则很局限,仅为执行任务而生;我们的大脑能够对整个世界建模,能对将这世界的每一个物体抽象建模。
人类之所以强大,是因为它是作为一个整体存在的,任何个体都只会是这个网络中的一个节点。
我们一直存在于大数据之中,只是现在我们更容易的获取数据了。
如果我们理解了数据中存在的有规律的模式,我们就能做出有潜力的预测。
机器学习,发明计算机算法,把数据转化为智能行为。(核心循环的三者:现有数据;统计方法;计算能力)
数据挖掘,从大型数据库中产生新的洞察,侧重寻找有价值的信息;机器学习侧重于执行一个已知的任务。
(在商业上一个重要的应用就是根据客户的购买行为,预测其需求,从而为其提供个性化的服务和推销。)
1.2 学习理论
定义:如果机器能够获取经验并且能利用它们,在以后的类似经验中能够提高它的表现,这种行为就是机器的学习。
学习过程:
数据输入,观察(抽象并提取信息),记忆(将信息存储在大脑的某个文件里),回忆(打开大脑里的文件)
抽象化,将数据转换成更宽泛的表现形式
一般化,应用抽象数据来形成行动的基础
举例:学习&考试
过目不忘并不是一种本领,而是一种低级的作弊方式,你没有深刻理解知识,数据本身并不能为你做出决策;必须理解核心概念(建立大纲、概念图),明确信息之间的关系,以主题为中心(这就是知识抽象化)。 一般化,需要大量抽象数据,理解如何将已有知识应用到未知场景中(好的老师能做到这两点)。
1.2.1 抽象化和知识表达
原始数据是没有意义的,仅仅是一些01或符号而已,抽象化赋予数据以具体含义。
idea 和 reality,只是语言的抽象连接。
知识表达中,将原始数据概括在一个模型里,该模型就是数据间结构化的显式描述。(方程,图表,分类都是模型)
学习的任务和所分析数据的类型决定选择使用什么模型。
用一个特定的模型来拟合数据集的过程称为训练(还没达到学习,这还只是抽象化,学习还包括一般化)。
当模型被训练后,数据转换为一个汇总了原始信息的抽象形式。模型提供了数据之间的关系或联系。
1.2.2 一般化
抽象化过程中可能发现无数的内在关系,有多种方法可以对内在关系建模(集合),为了预测,必须选定模型。
定义:一般化描述了把抽象化的知识转换成可以用于行动的形式。是训练过程中对所有可用于数据抽象化的模型的搜索过程。
一般不会遍历每一种可能来确定模型,而是用启发式方法。
偏差,就是系统误差,是模型与真实值之间的差距。偏差是普遍存在的。
一般化的最后一步就是在存在偏差的情况下判断模型的成功性。
数据中必然存在噪音,模型不能拟合噪音而造成过度拟合,模型处理噪音数据的好坏是判断模型成功与否的重要方面。
区别如下:
1、idear可作形容词,是"理想的"的意思;idea是名词。
2、idear虽然也能当名词使用,意思也是idea的意思,但是,一般都用它作形容词,是‘理想的’的意思。
3、发音不同。idear音标是英[ad]美[adi:] ,idea音标是英 [a'd] 美 [a'di] 。
扩展资料:
1、They all ridiculed the idea.
他们都嘲笑这个想法。
2、They mocked at the idea.
他们嘲笑这种想法。
3、His idea did not quite fit in with our aim.
他的想法和我们的目标不完全一致。