Introduc)on  to    Machine  Learning  

NHM  Tanveer  Hossain  Khan  (Hasan)  

About  Me  

•  I  “work  for  fun”  and  mostly  work  with  Ruby.  •  Love  programming  and  learning.  •  Skilled  on  Ruby,  Java,  PHP,  Nodejs  and  Go.  •  Love  to  take  challenge  •  I  am  working  with  Tweek.tv  (one  of  the  Berlin  startups)  

What’s  in  ?  

•  What  is  Machine  learning  ?  •  GeQng  rid  of  fear  •  Where  to  use  it  ?  •  Who  is  using  ?  •  Discussion  on  few  Machine  learning  algorithms.  

•  Few  books  and  references.  •  Q/A  

What  is  Machine  Learning  ?  

Defini)on  ?    

“Field of study that gives computers the ability to learn without being explicitly

programmed”

By  Arthur  Samuel  (Collected  from  wiki)  

What  is  Machine  Learning?  

1.  Train  machine  with  examples    

2.  Algorithm  stores  the  trained  data  into  a  

internal  mathema)cal  model.  

3.  Predict  new  data  based  on  the  trained  model.  

GeQng  rid  of  fear  

Where  to  use  it?  

•  Automa)cally  categoriza)on  •  Preparing  recommenda)on  •  Analyzing  sen)ment  and  behaviors    •  Recognizing  pa]erns  •  Grouping  unrecognized  pa]erns  •  OCR,  Voice  recogni)on,  Image  recogni)on  •  Discovering  likelihood  and  many  more.    

Who  is  using  ?  

•  Facebook  (Image  tagging,  Newsfeed)  •  Gmail  (Spam  detec)on,  Important  email  detec)on)  

•  YouTube  (Video  recommenda)on,  What  to  watch)  

•  Google  search  (Preparing  search  result)  •  Amazon  (Sugges)ng  similar  product)  •  Many  more…  

Let’s  introduce  ML  algorithms  

ML  in  Ac)on  

•  Supervised  learning  – Classifica)on  – Regression  

•  Unsupervised  learning  – Clustering  

•  Recommenda)on  – Content  based  – Collabora)ve  filtering  

Supervised  Learning  •  Machine  doesn’t  own  any  cogni)ve  system  like  human  does  hence  they  need  human  intervened  feature  extrac)on!    

•  Classifica)on  &  Regression  – Naïve  Bayes  – Decision  Tree  

•  ID3  Algorithm  –  k-­‐NN  (k  nearest  neighbors)  –  SVM  (Support  Vector  Machine)  – Many  more…  

Naïve  Bayes  

•  Mul)  class  classifica)on  •  Base  on  bayes  theorem  •  Text  categoriza)on  •  Works  with  small  training  data  

Support  Vector  Machine  (SVM)  

•  Binary  classifica)on  •  None  probabilis)c  binary  linear  classifica)on  •  Represents  examples  as  points  in  space  •  Linear  classifier  •  Text  categoriza)on  •  Uses  loss  func)on  

ID3  

•  Decision  tree  •  Predic)ve  model  •  Itera)ve  •  Uses  in  Informa)on  Retrieval  (IR)  technologies  

Unsupervised  Learning  

•  Clustering  – k-­‐means  – Many  more…  

k-­‐means  

•  Signal  processing  •  Data  mining  •  Itera)ve  •  Feature  learning  •  Cluster  analysis  •  Color  quan)za)on  (Reduce  number  of  dis)nct  colors  from  an  image)  

Recommenda)ons  

•  Content  based  – Natural  language  processing  – Named  En)ty  Recogni)on  – Disambigua)on  (VW  Golf  or  Sports  Golf)  

•  Collabora)ve  Filtering  – Using  SVM,  Naïve  bayes  –  Implicit  or  explicit  feedback  – Distance  calcula)on  &  k-­‐nn  based  filtering  – User  or  item  based  

Few  pointers    

•  h]p://guidetodatamining.com/    – Very  easy  learning  and  programmer  focused  

•  Introduc)on  to  Machine  Learning  –  Ethem  Alpaydin  (The  MIT  Press)  

•  Mahout  in  Ac)on  •  Mlbase  documenta)on  

Learn  by  prac)cing    

•  Apache  Mahout    -­‐  h]ps://mahout.apache.org/  •  MLbase  -­‐  h]p://www.mlbase.org/  •  Easyrec  –  h]p://www.easyrec.org  •  Weka  -­‐  h]p://www.cs.waikato.ac.nz/ml/weka/  

You  can  use  in  produc)on    (without  coding)  

•  h]p://predic)on.io/  -­‐  For  Collabora)ve  filtering  based  recommenda)on  engine.  

•  Google  Predic)on  API  -­‐    h]ps://developers.google.com/predic)on/  

•  Algorithm.io  -­‐  h]p://www.algorithms.io/  (Not  sure  about  it)  

 

That’s  it,  Thanks  all  J  

Q/A