培训课件Chap1-2017.pptVIP

现在假设不是1000页的电话本，而是一个搜索引擎上的索引，它包含100W更至更多如40亿网页，如果一本电话本有40亿页，折半查找要多少次，才能找到你要找的人？ 数学算法的力量是无穷的，这就是科学家所谓的计算思维。你可以把一个问题用比较直观的方法解决，但如果你把此类问题的数量（规模）增大，正如越来越多的互联网，和大规模数据系统中出现的问题，你应该怎样才能更高效？这就是算法分析与设计涉及的问题。 假设现在又多了40亿个网页，（有80亿个），用同样的算法需要多几个步骤？ 这仅仅是我们从计算机科学领域获得的一些思维方法与启示，这种思维方法与启示不仅仅适用于计算机科学本身，同样也可以应用于其他的学科领域。 机器学习的算法和普通《算法导论》里的算法有什么本质上的异同？ 请各位了解机器学习，了解算法导论的主要内容，然后给出自己的回答 作者：董可人/questionanswer源：知乎 算法导论里的算法本质上是对有精确解的问题，如何更有效率地求得这个解。这个效率一般指计算时间更短。 机器学习要解决的问题一般没有精确解，也不能用穷举或遍历这种步骤明确的方法找到解，而且需要强调的是“学习”这个属性，即希望算法本身能够根据给定的数据或计算环境的改变而动态的发现新的规律，甚至改变算法程序的逻辑和行为。   机器学习的算法和普通《算法导论》里的算法有什么本质上的异同？ 例如: 给定一个乱序数组，如何快速的将其按从小到大的顺序重新排列，或者找到其中的中位数。这些问题都有确定且唯一的答案，一般都会有一个笨方法（穷举或遍历），只要一步一步来就可以解，所谓算法只是如何精简步骤，更快更省事地找到这个解。 这些算法处理的数据也都是结构简洁且干净的类型，比如数组，二叉树，图之类的数据结构。数据规模对于这些算法而言，影响的是计算所需的时间和空间，不会因为规模改变而影响算法本身的逻辑以及计算的结果。 经典算法是在适定(well-defined)问题下的求解过程，机器学习算法是在病态(ill-posed)问题下的问题重定义与求解的过程 。 还有一个更通俗但不是很恰当的比喻：算法导论是教你如何数数，而机器学习基本上相当于星座算命。一个很机械，一个靠忽悠? * Central South University * 为什么还要学习算法及性能分析？ 90年代，为什么大家都喜欢用苹果，而不用windows? (用户友好性！） 2000年以后，安全性变得很重要（计算机网络） 到底是要更好的性能还是要更好的用户体验呢？如果算法性能不重要，我们为什么还要关注性能呢？ 用户体验也有实时限制！ 算法总是处于解决问题的最前沿，性能的好与坏，它直接决定可行与不可行。程序不快，它就不可行。如果你遇到是一个很多人都在尝试，却没有被解决的问题，之所以别人没成功，是因为它太消耗时间，太占用空间，这一层意思，算法能将不可行变为可行。 性能是1，其它的都是后面的0，在性能能保证的基础上，才能再追求其它方面。 * Central South University * Analysis of Algorithms 分析算法包括以下两个方面： 1. How good is the algorithm?（这个算法的效率如何？） time efficiency (how fast: speed is always fun!) space efficiency 2. Does there exist a better algorithm?（是否还存在更好的算法？） * Central South University * Example: Fibonacci Number Fibonacci’s original question: 1. 给定一对兔子，一只公的，一只母的。 2. 兔子在一个月大时，可以进行交配，母兔在下一个月时，可以生出另一对兔子。 3.假设我们的兔子永不死亡 。 4.假定每个母兔个月总是再生出一个兔子（一只是公的，一只是母的） 问题：一年以后，一共有多少对兔子？ (image of Leonardo Fibonacci from http://www.math.ethz.ch/fibonacci) * Central South University * Example: Fibonacci Number 问题：一年以后，一共有多少对兔子？ 1. In the beginning: (1 pair) 2. End of month 1: (1 pair) Rabbits are ready to m