marchine learning

人工智能:算法，算力，数据，场景
人工智能、机器学习、深度学习
机器学习过程:无监督学习/监督学习（样本带标签）/强化学习
无监督学习（样本不带标签），监督学习（样本带标签），强化学习(与环境互动，下棋)
1.手机数据
2.选择模型
3.定义模型函数好坏
4.找到最好的函数

判决树
逻辑回归/神经网络/支持向量机
朴素贝叶斯（贝叶斯公式）：垃圾邮件检测
披萨店选址-K-Means聚类算法

第一周
marchine learning
1.监督学习（supervised learning）
给出数据集，已经知道输出应该是什么，输入和输出存在关系。
监督学习归类为回归问题和分类问题
回归我们试图在连续的输出中预测结果，将输入值映射到连续函数中。
分类问题试图在离散的输出中预测结果，将输入值映射到离散的类别中。

eg:检查网页，并分类网页上的内容是否应被视为“儿童友好”（例如，非色情等）或“成人”。
在农业方面，在过去50年的农作物产量数据中，学会预测下一年的作物产量。

2.无监督学习（Unsupervised learning）
使我们能够接近或几乎不知道我们的结果应该是什么样的问题
eg鸡尾酒会算法、
给定1000个医疗患者对实验药物（如治疗的有效性、副作用等）的数据，发现是否有不同类别或“类型”的患者如何对药物作出反应，如果是的话，这些类别是什么。
考虑到来自心脏病患者的大量病历数据，试着了解是否可能有不同的患者群，我们可以为他们量身定制单独的治疗方法。

3.cost function（代价函数） 1/2m sum(h(Q)-y)的平方
估测函数 h[a]（x）a=a0+a1*x

4.梯度下降法（寻找代价函数最小值）公式和线性回归，多项式回归
学习率 x=x-af（x）’

6.矩阵（matrix）和向量（Vector），单位阶
矩阵加减乘：
加减a+B:维度相同
乘A*B：
A的列数等于B的行数,结果是一个行数等于A，列数等于B的矩阵，满足结合律，左右分配率
A[m,n] * B[n,k] result[m,k]
逆矩阵:AA[n]=I（单位阶）,只有方阵（行列相同）才有逆，0没有倒数，全为0的方阵无逆矩阵。
转置运算: B[ij]=A[ji]
把多个数据预测计算转换为矩阵运算

 

第二周
1.多个特征量（Multiple Features）
h（x）a=a0+a1*x+a2*x+a3*x... =a【T】x a转置乘以x

 

basic operations

 

 

vectorization

 

 

 

 

 

 

*****************basic operation************************
#5行一列的1
one（5,1）

*****************画图************************
#横轴t，y2纵轴，颜色red
plot(t,y2,'r');
#保持已有图形
hold on;
plot(t,y1);
#label
xlabel('x轴名称');
ylabel('y轴名称');
#
legend('sin','cos')
#title
title('my plot')
#save
print -dpng 'myPlot.png'
cd '/path';print '' -dpng 'myPlot.png'
#close
close
#figure
figure(1);plot(t,y1);
figure(2);plot(t,y2);
#绘制多个图像
subplot(1,2,1)
#清除
clf

exam1:
1.warmUpExercise
A = eye(5);
2.plotData
plot(x, y, 'rx', 'MarkerSize', 10);
ylabel('Profit in $10,000s');
xlabel('Population of City in 10,000s');
2.computeCost
h = X * theta - y;
hsq = h .^ 2;
J = sum(hsq) / (2 * m);

3.gradientDescent
theta = theta - alpha/m * X'*(X * theta - y)