斯坦福公开课-机器学习1.机器学习的动机和应用(吴恩达 Andrew Ng)

Posted Wu_Being

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了斯坦福公开课-机器学习1.机器学习的动机和应用(吴恩达 Andrew Ng)相关的知识,希望对你有一定的参考价值。

文章目录

0三个目标

  1. 理解到机器学习的令人兴奋的地方。
  2. 都能够应用最新用机器学习算法到你感兴趣的任何问题中。
  3. 完成这门课后还对机器学习的研究继续感兴趣。

0先修课程要求

  • 计算机科学的基本知识,比如大O,诸如队列、栈、二叉树的数据结构等。
  • 高等数学,各种积分运算等。
  • 线性代数的知识,比如矩阵、向量、逆矩阵及其运算等。
  • 概率统计的知识,随机变量、期望、方差等。

基本工具

MATLAB、Octave。
##基本资源

1-网址

http://cs229.stanford.edu

2-邮箱

cs229-qa@cs.stanford.edu

3-本系列课程链接

http://open.163.com/special/opencourse/machinelearning.html

1机器学习的定义

1-1非正式定义

在一直接针对问题进行编程的情况下,赋予计算机学习能力的一个研究领域。

1-2正式的定义

对于一个计算机程序来说,给它一个任务T和一个性能测量方法P,如果在经验E的影响下,P对T的测量结果得到了改进,那么就说该程序从E中学习。

2监督学习(Supervised Learning)

监督学习:从给定的训练数据集中学习出一个函数或称模型,当新的数据到来时,可以根据这个函数预测结果或评估。监督学习的训练集要求是包括输入输出,也可以说是特征目标。训练集中的目标是由人标注的。
常见的监督学习算法包括回归分析线性回归逻辑回归)、随机森林统计分类等。

2-1回归问题——连续拟合线(预测房子价格)

通过一组房子面积(特征)和对应价格(目标)的数据,学习拟合出一条直线或曲线(模型), 根据这条线对后面的每个输入预测出每个结果。

2-2分类问题——离散数据(恶性和良性肿瘤)

根据输入数据的特征,学习出一个判断“有肿瘤和无肿瘤”的二分类函数(模型),以后可以根据这个函数进行判断。

  • 一维输入变量特征——肿瘤大小

  • 二维输入变量特征——肿瘤大小和年龄

  • 多维输入变量特征(实际问题)——支持向量机算法

支持向量机算法:把无限维空间的数据映射存储到计算机中。

#3无监督学习(Unsupervised Learing)
无监督学习:与监督学习相比,训练集没有人为标注的结果,也就是说只有输入,没有输出
常见的无监督学习算法有K-Means、DBSCAN等聚类算法

大致来说,就是给你一组数据,然后不告诉你关于数据的任何正确答案,我给你数据后会这样问你,“你能在这组数据中寻找一些有趣的结构吗?”这就是无监督学习问题。这里你不需要给出任何标准答案。

聚类问题——无监督学习的第一步。

比如将人群聚集为两类——男性和女性,并没有输出目标结果,注意这有区别于监督学习的分类问题。

独立组件分析:嘈杂的背景音中提取某个人声音,每个话筒的收到声音大小不同。

利用无监督学习的分离声音源ICA算法(algorithm ):[W,s,v] = svd( (repmat(sum(x.*x,1), size(x,1), 1). *x) *x’)

无监督学习应用领域:理解基因数据、图像处理的像素分类、创建3D模型、市场人员分析归类、太空星系划分等。

4强化学习(Reinforcement Learning)

增强学习:通过观察来学习做成如何的动作。每个动作都会对环境有所影响,学习对象根据观察到的周围环境的反馈来做出判断。

例如通过一系列正确的决策,让飞机一直飞起来。渐渐地,它就会学会如何控制它自己以获得更多的积极回报(回报函数)。

强化学习就像这样的情景:你在训练一只狗,每次你的狗做了一些你满意的事,你就说“好狗”,然后奖励它;每次它做了坏事,你就会说“坏狗”。渐渐地,你的狗就学会了去做正确的事来获取更多的奖励。

强化学习的关键:找到一种方式来定义你想要什么?如何定义一个好的行为和一个坏的行为。需要一个学习型算法,来尽可能地获得更多的回报和更少的惩罚。

#其他更多资源
斯坦福大学机器学习课程讲义:http://xitonga.iteye.com/blog/2052453
http://y-x.iteye.com/blog/2051677
【原】斯坦福大学Andrew Ng教授主讲的《机器学习》公开课观后感:http://liliphd.iteye.com/blog/1929358
机器学习(Machine Learning)&深度学习(Deep Learning)资料:http://blog.csdn.net/d5224/article/details/69569400
mmc2015的专栏:http://blog.csdn.net/mmc2015
阿里云 云栖社区>活动>大数据>最新资讯> 人工智能之机器学习算法体系汇总:https://yq.aliyun.com/articles/154923
阿里云机器学习 PAI云栖社区公众号:https://yq.aliyun.com/teams/47
阿里云机器学习 地址:https://data.aliyun.com/product/learn
阿里云 天池 技术圈> 机器学习PAI周三晚直播:https://tianchi.aliyun.com/competition/new_articleDetail.html?raceId=&postsId=2160
机器学习/人工智能/自然语言处理资料收集:https://github.com/Yangxulei/ML-DL

Wu_Being博客声明:本人博客欢迎转载,请标明博客原文和原链接!谢谢!
《【斯坦福公开课-机器学习】1.机器学习的动机和应用(吴恩达 Andrew Ng)》: http://blog.csdn.net/u014134180/article/details/76576100助费二维码](https://img-blog.csdnimg.cn/img_convert/84d0deb662a49ac777c2a16450675b27.png)

如果你看完这篇博文,觉得对你有帮助,并且愿意付赞助费,那么我会更有动力写下去。

以上是关于斯坦福公开课-机器学习1.机器学习的动机和应用(吴恩达 Andrew Ng)的主要内容,如果未能解决你的问题,请参考以下文章

斯坦福公开课-机器学习1.机器学习的动机和应用(吴恩达 Andrew Ng)

斯坦福公开课-机器学习1.机器学习的动机和应用(吴恩达 Andrew Ng)

斯坦福吴恩达教授机器学习公开课第二讲笔记——有/无监督学习+线性回归

斯坦福吴恩达教授机器学习公开课第三讲笔记——局部加权回归/线性回归的概率解释/分类和逻辑回归

斯坦福吴恩达教授机器学习公开课第四讲笔记——牛顿方法/广义线性模型

斯坦福吴恩达教授机器学习公开课第五讲笔记——判别分析/高斯判别分析/GPA+逻辑回归/laplace平滑/极大似然的原理