# ML Lecture 11

## Modularization

* Deep -> Modularization

* 因為長髮男 data比較少，所以長髮男的預測可能就不太準

* 所以使用模組化的概念
* 把問題切成小問題
* 分成 1.是男是女 2.長髮還是短髮
* 最後下決定的classifier 會參考前面模組化的classifier
* 這樣後面的classifier用比較少的training data 就把model train 好

--
#### deep learning 跟 modularization扯上關係

在deep learning ,機器會自己學習如何做modularization，利用deep learning 可以用較少的 training data，因為有模組化的關係。

為何做deep learnin…，一大部分的原因是因為training data不夠。

#### Modularization - Speech

* phoneme 的發音會因為前後的phoneme 而有所不同

* Therarchical structure of human languages

* The first stage of speech recognition
* classification: input -> acoustic feature, output -> state

把state 轉成phoneme ，再從phoneme轉成文字，還要考慮同音不同字的問題。

##### Each state has a stationary distribution for acoustic features
* 每個state 都可以用一個"Gaussian Mixture Model (GMM)
* 一般語言都大概有30種phoneme那每種÷phoneme隨著context的不同也要用不同的model
* 所以有30^3的try for ，資料量太多了
* 所以不同state的名稱可能會指向相同的distribution。


在deep learning提出前：
先把GMM的pool做出來，從pool選出要用的GMM，要選哪些GMM是機器可以學的。

---

[rest at 22:03](https://youtu.be/XsC9byQkUH8?t=1323)

###### tags: `mllearning2020`