机器学习笔记一: 机器学习的动机与应用
注:以下所有内容均来自 网易公开课Andrew Ng的机器学习课程
本课内容主要分为四个部分:Supervised Learning(监督学习)、Learning Theory(学习理论)、Unsupervised Learning(非监督式学习)、Reinforcement Learning(强化学习)
一、Supervised Learning(监督学习)
提供了一组标准答案,尝试将我们另外的输入转化为更为标准的答案,例如房屋价格和面积的关系(如下图),我们可以通过已有的面积价格对应关系预测出其他面积情况下房屋的价格。这类问题也称regression(回归问题)。另外,如果对于某些离散的值域,比如通过肿瘤大小判断其良性恶性关系,这类问题可以称作Classification(分类问题),处理多维度问题的时候,support vector machine(支持向量机)的方法能处理无限数量的特性。
二、Learning Theory(学习理论)
三、Unsupervised Learning(非监督式学习)
不会给出标准答案,clustering(聚类问题)就是无监督学习的例子。
四、Reinforcement Learning(强化学习)
是一种评价式的学习方式,基于回报函数。