吳恩達《機器學習》學習筆記一

• 一、 什么是機器學習？
• 二、監督學習
• 三、無監督學習

初識機器學習
這是個人學習吳恩達《機器學習》課程的一些筆記，供自己和大家學習提升。第一篇內容較少，日后繼續加油。

課程鏈接：https://www.bilibili.com/video/BV164411b7dx?from=search&seid=5329376196520099118

一、 什么是機器學習？

機器學習一直沒有一個官方固定的定義。但課中給出了兩種解釋，個人認為非常經典，易于理解。

定義一：Field of study that gives computers the ability to learn without being explicitly programmed.—— Arthur Samuel(1959) 即無需明確編程，就使得計算機有學習能力的研究領域。

值得一提的是，阿瑟.塞繆爾（Arthur Samuel）在此之前（1952年）研發出了第一個計算機跳棋程序，它是世界上第一個可以自主學習的程序。通過和該跳棋程序不斷的下棋，使得該程序的跳棋技巧不斷得到提升，最終甚至超過了人類水平，這是機器學習早期一個非常經典的案例。

定義二：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. 即計算機程序從經驗E上學習來處理任務T，且P為性能評估，如果在T上，由P衡量的性能隨著經驗E的學習而提高，這就是機器學習。

下面看一個課中給出的定義二的例子：

這是一個郵件分類問題，基于已知郵件是否為垃圾郵件的信息，來優化郵件分類系統。此處選項一：把郵件分類為垃圾或正常郵件是機器學習的T；選項二：觀察你標記的郵件是垃圾還是正常是機器學習的E；選項三：正確分類郵件的數量是機器學習的P。

此外，機器學習有其分類，主要分為如下三類：

機器學習分類具體算法舉例

監督學習	線性回歸、SVM、決策樹等
無監督學習	聚類、密度估計等
其他：強化學習、推薦系統等	-待學習-

所以下面分別討論了基本的監督學習和無監督學習。

二、監督學習

監督學習的特點是，學習數據都是有標注的。如經典的房價預測案例，它的數據集中數據樣本不僅給出了各自的屬性值，還給出了具體的房價大小，而這個房價大小就是所謂的標注，也就是需要預測的屬性，模型從帶有標注的數據中學習，隨后對新的數據預測其標簽值。如下圖所示是房價預測的一個示例。

圖中為簡單起見，只考慮了房子的一個屬性：面積（feet2），而實際還需要考慮很多其他屬性如：朝向、地段等。紅色的×表示已知的一批帶有標注的數據，要從這些數據中學習得一種模型，使得后續預測的值比較真實，紅色的直線是一次函數模型，藍色的曲線是更復雜的模型，目標都是盡可能地模擬所有數據。模型選擇的好壞，也會對預測有很大的影響（此處藍色的模型看起來要比紅色的好）。若已得到一個模型，則新給出一個輸入如：房屋面積為750feet2，根據模型則可以得到預測房價為多少。

此外，房價預測也是回歸問題的一個實例，所謂回歸，就是預測值是連續值，此處房價是一個連續值，所以是一個回歸問題。
與此對應，若預測值是離散的，則被稱為分類問題，如上述提到的郵件分類，預測值只有垃圾郵件和正常郵件兩個值。如下圖所示，是根據腫瘤尺寸這個屬性來對乳腺腫瘤進行分類的數據，標簽值只有0（良性）和1（惡性）兩種。

而往往不止通過一個屬性進行學習，還可能通過細胞尺寸均勻度、細胞形狀均勻度、患者年齡等許多屬性來進行學習。

三、無監督學習

無監督學習與監督學習相對，當學習數據不帶有標簽時，就可以看成是無監督學習，也可以理解為沒有正確答案的學習。無監督學習在做的，更多的是找出數據之間的相似相關性。如下圖所示，x1和x2是數據的兩個屬性，數據不帶有標簽，無監督學習會尋找數據之間的相似性，將無標注的數據劃分為一個個的簇。

總結

以上是生活随笔為你收集整理的吴恩达《机器学习》学习笔记一——初识机器学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。