吳恩達機器學習課程筆記——應用場景、定義及分類

學習吳恩達老師的機器學習課程，記了些筆記，整理出來，與大家分享。

應用場景

機器學習的應用場景主要有4個：

數據挖掘：Data Mini

例如，挖掘Web點擊數據、醫院病歷數據、生物學中的各項數據等。

完成無法編程實現的任務：Applications can’t program by hand

例如，自動無人機，無人駕駛，手寫識別任務，自然語言處理（NLP），計算機視覺等。

個性化定制任務：Self-customizing programs

最常見是各個商城平臺的商品推薦，例如淘寶、京東，亞馬遜等。

了解人類

通過機器學習，通過AI來了解人類的學習機制，了解人類的大腦，逐步實現真正的人工智能。

定義：什么是機器學習

Arthur Samuel (1959) ：

機器學習是給予計算機無需明確的編程即可擁有學習的能力。

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

Tom Mitchell (1998)：

學習問題是，對于某個任務T，其性能指標為P，通過從經驗E學習，能夠對執行任務T時，提高P值。

拿電腦下棋來說，下棋為Task T，已經下過的棋盤為Experience E，下棋贏得概率為Performance P。

Well-posed Learning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.

機器學習的分類

機器學習可劃分為監督學習（Supervised Learning）與無監督學習（Unsupervised Learning）。

監督學習

監督學習，即teach computer how to do something，通俗的來說，就是給定一些數據的正確答案，然后通過學習，使得機器能夠產生其他數據的正確答案。Give the algorithm a data set, in which the “right answers” were given, and the task of algorithm was to just produce more of these “right answers”.

比如房價預測，通過過往歷年完整的房價數據來“學習”“訓練”，使得能夠一定程度上預測數值的輸出。又比如通過對醫院中的病歷分析，判斷新病人的腫瘤是良性還是惡性。

在監督學習中，每個樣品都被明確標明為陽性樣本或陰性樣本，我們已經被告知了什么是所謂的正確答案。

無監督學習

無監督學習，即learn by itself。在無監督學習中，數據沒有任何標簽或都具有相同的標簽，我們拿到一個數據集，但是不知道要拿它來做什么，也不知道每個數據點究竟是什么，只是被告知這里有一個數據集，你能在其中找到某種結構嗎。

比如聚類算法，來分析社交網絡，劃分市場等等，沒有明確的指標。又比如語音識別領域的雞尾酒會問題，如何從多個混合一個聲波信號中分離出多個獨立正確的聲波。

其他

吳恩達老師推薦使用Octave 開源免費的編程環境軟件來學習與實現機器學習算法，當確認算法可以實現后，才用C或者Python等高級語言來實現。

Octave是一個類Matlab的開源程序。

機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。