谷歌大手笔，最新最潮公开课：AI+教育
郭老师说
去年底，在今日头条的教育行业未来峰会上，新东方董事长俞敏洪的演讲只有一个主题，就是AI教育，俞敏洪认为，人工智能与教育结合有三个好处：一个是可以让学生的学习能力大大提高；二个是可以让孩子更加全面地发展，因为学习不再困难，孩子可以将时间用在艺术、动手、体育等方面；三个是让中国教育更加均衡，因为“边远地区有人工智能存在，老师讲课不再是问题，山区孩子和北京、上海孩子有了同样的教育基础，山区孩子未来走出大山、上大学的机会就增加。”新东方已计划在技术+教育、家庭教育等方面投入15个亿，进一步促进教育的升级换代和教育科技的发展。
所以，郭老师觉得，作为老师的我们，也有必要了解一下什么是AI。正巧，谷歌建立了一个AI平台，希望每个人都能从AI受益：
https://ai.google/education
上面有一门机器学习课：
https://developers.google.com/machine-learning/crash-course/
正文
郭老师学习了一下前两课，下面尽量用简单的方式跟大家分享一下课堂笔记，希望可以起到一个抛砖引玉的作用：
第一课：Intro 机器学习介绍
从实际应用方面，三大用处：
Reduce time programming 减少编程时间，已经有一些做好的工具了，给一些例子进去就可以很快的得到想要的结果了。
Customize and scale products 同样的产品，针对不同的用户群体，可以很快的完善和改进。比如：我写了一个很成功的英文拼写纠错软件，我想要推广到100种不同的语言，机器学习就可以帮我快速的达到目的。我只需要收集不同语言的使用例子，然后输入同一个机器学习的系统里就可以了。
Complete seemingly "unprogrammable" tasks 可以实现看起来不能用编程实现的功能。比如：作为一个人，我可以通过观察其他人的表情来判断他们的情绪，但是我无法把这种能力编程出来，因为我也不知道这个过程具体是怎么样的。但是通过机器学习就可以达到识别情绪的效果，我只需要给一个写好的算法提供大量表情+情绪的例子。
从理论层面的理由：机器学习会改变你解决问题的方式。软件工程师之前都用逻辑、数学的方式思考，机器学习从数学到自然学习，用数据而不是逻辑来证明一个想法。更像科学家而不是程序员。
第二课 Framing
Refresh the fundamental machine learning terms. 学习基础词汇
Explore various uses of machine learning. 探索机器学习的用途
(Supervised) Machine Learning: ML systems learn how to combine inputs to produce useful predictions even on never-before-seen data 机器学习是为了得到想要的结果，即使过程不清晰（比如，阿尔法狗赢了人类，它的目的是赢，不需要证明怎么赢的）
Labels and Features 是什么？
When we are training a ML model 当我们训练一个机器学习模型的时候:
Label is the true thing we're predicting: y
标签是我们需要机器判定的一个结果。比如，如果我们要机器学习的模型来判断垃圾邮件的时候，Label就是“垃圾邮件”或者“不是垃圾邮件”
Features are input variable describing our data: x1,x2,x3...xN
机器学习时候，来代表数据特点的关键信息，比如，判断垃圾邮件，我们需要给机器学习的模型提供：邮件里的词汇，标题，收件人和寄件人等。
Examples is a particular instance of data, (x, y)
一个例子就是一个具体的数据
Labeled example: used to train the model: (features & label) 有明确标签的数据
Unlabeled example: used for making predictions on new data (features, ?) 无明确标签的数据
Model maps examples to predicted labels : the thing that's doing the predicting. The thing we are trying to create from the process of learning from data.
这是我们想要的结果。一个经过数据训练的机器学习模型，它可以帮助我们完成我们想完成的任务。
Regression vs. classification
A regression model predicts continuous values. For example,regression models make predictions that answer questions like the following:
What is the value of a house in California?
What is the probability that a user will click on this ad?
一个回归模型预测的结果是具有连续性的，这类模型可以回答下列问题：
加州的房子值多少钱？
用户点击这个广告的概率有多大？
A classification model predicts discrete values. For example, classification models make predictions that answer questions like thefollowing:
Is a given email message spam or not spam?
Is this an image of a dog, a cat, or a hamster?
分类模型预测结果是分散的，这类模型可以回答下列问题：
这个邮件是不是垃圾邮件？
这张图上画的是狗？猫？还是仓鼠？
热门文章
更多资源
想了解更多实用的课堂技术和教学资源？长按二维码，关注我的公众号吧。关注后回复“入群”就可以加入中文科技2群，里面已经有330多位在世界各地工作的中文老师一起讨论教学经验啦！期待你的加入！公众号内回复“郭Laoshi”查看惊喜视频。
声明：本文为作者原创，未经授权谢绝转载，转载请联系郭老师，感谢支持。