Machine Learning_Ng 第1讲 引言

在第一讲中，主要介绍了机器学习、监督学习以及无监督学习的概念。

# 机器学习(Machine Learning)

---

 Arthur Samuel定义机器学习为，在进行特定编程的情况下，给予计算机学习能力的领域。

Tom Mitchell 定义机器学习为，一个程序被认为能从经验E 中学习，解决任务T，达到性能度量值P，当且仅当，有了经验 E 后，经过P 评判，程序在处理 T 时的性能有所提升。下棋程序中，经验e 就是程序上万次的自我练习的经验而任务 t 就是下棋。性能度量值 p 呢，就是它在与一些新的对手比赛时，赢得比赛的概率。

 

# 监督学习(Supervised Learning)

---

 监督学习是指，我们给学习算法一个数据集，数据集中的每个样本都有相应的正确答案，之后算法会基于这些样本做出预测。其分为分类问题和回归问题：

（1）分类：推出一组离散的结果，如推测肿瘤是恶性还是良性（非0即1）

      

（2）回归：推出一组连续的输出，如推测房子价格

       

 

# 无监督学习(Unsupervised Learning)

---

 无监督学习，是一种学习策略，交给算法大量的数据，数据本身没有任何标签或者相同的标签，算法也没有正确答案来回应数据集的数据，但算法可以帮助我们从数据中找出某种结构。

        

如聚类算法的几个例子：

（1）谷歌新闻每天手机非常多的新闻内容，然后把同一主题的放在一起

（2）在大数据中心，聚类可帮助人们找到易于协同工作的机器组成计算机集群，使数据中心工作更高效

其实聚类算法只是无监督学习的一种，还有一种非聚类算法，如“鸡尾酒会算法”，实现混乱的环境中结构的寻找。(即从鸡尾酒会的声音网格中识别个人的声音和音乐）。

      

 

参考链接

1.黄海广博士的《斯坦福大学2014机器学习课程个人笔记（V4.3）》  @haiguang2000@qq.com

2.https://github.com/HuangCongQing/MachineLearning_Ng

 

注：码字不易，若您转载，请务必注明出处：https://www.cnblogs.com/jngwl/