《吴恩达-机学》一、回归、分类、监督学习、非监督学习

1 ) Well-posed learning problem ： A computer program is said to learn from experience E  with respect to（关于） some task T and some performance measure(测量) P, if its performance on T, as measured by P, improves with experience E.

适当的学习问题构成：一个电脑程序从经验E中学习去解决某一任务T，进行某一性能测量P，通过P测定在T上的表现，因经验E而提高

总结，机器学习三要素：E，T，P

====================================

例子：

对于跳棋，

经验：自己和自己下成千上万次

任务：玩跳棋

表现：和对手玩成功概率

Q: Suppose your email program watches which emails you do or do not mark as spam, and based on that learns how to better filter spam. What is the task T in this setting? 

(A). Classifying emails as spam or not spam.------这个是T，是我们想要达成的任务，目标。

(B). Watching you label emails as spam or not spam. ------ 这个是E，可以说是积攒的经验，也就是学习的过程。

(C). The number (or fraction分数） of emails correctly classified as spam/not spam. ----- 这个是P，相当于来个学习的总结或者评价，看正确分类的数量或者比例。
======================

2）Regression（回归）和Classification（分类）的区别

regression就是根据以前的经验预测未来的某个量，没有classification里贴标签的那一步。另外，regression的结果是连续的，而classification的结果是离散的。

 

3）Supervised learning（监督式学习） 和 Unsupervised learning（非监督式学习）

浅显点就是，前者是我已经知道标签是什么了然后分类，后者是我在不知道标签的情况下开始分类。举个简单的例子，当我们还是刚出来的可爱的小baby的时候，爸爸和妈妈同时出现在了我们眼前，很快我们就会知道爸爸和妈妈是不一样的两个人（ Unsupervised learning），接着爸爸和妈妈就会分别在我们耳边喊，“爸爸”，“妈妈”，无数次努力后，终于我们最后知道了“爸爸“代表的是谁，”妈妈”代表的是谁（Supervised learning）。这个例子也可以看出，Supervised learning需要更多的学习经历。
---------------------

 

==========================================================================================

我的知乎

参考：https://www.coursera.org/course/ml 机器学习公开课

https://mooc.guokr.com/note/12/ 小小人_V 的个人笔记

《统计学习方法》李航

《机器学习课》邹博

备注：吴恩达老师的深度学习课（deepLearning.ai）的笔记地址：https://github.com/fengdu78/deeplearning_ai_books

---

文件夹说明：

docx：笔记的word版本

markdown：笔记的markdown版本

html：笔记的html版本

images：笔记的图片

ppt：课程的原版课件

srt：课程的中英文字幕（mp4文件需要在百度云下载，大家可以用记事本或者字幕编辑软件来编辑字幕，共同完善，百度云链接：https://pan.baidu.com/s/1h8QjqBlOm0Exh7orm9teMQ 密码：d3we，下载后解压）

code：课程的python代码（有一部分是国外大牛写的）

机器学习视频下载链接：https://pan.baidu.com/s/1raoOPOg 密码：48m8，包含视频和字幕，下载后解压，建议用potplayer播放，此视频与mp4一致。

笔记在线阅读

http://www.ai-start.com/ml2014/

笔记pdf版本下载 ：见github根目录