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 2022-08-13 Wu_Being

文章目录

• 0三个目标
• 0先修课程要求
• • 基本工具
  • • 1-网址
    • 2-邮箱
    • 3-本系列课程链接
• 1机器学习的定义
• • 1-1非正式定义
  • 1-2正式的定义
• 2监督学习（Supervised Learning）
• • 2-1回归问题——连续拟合线（预测房子价格）
  • 2-2分类问题——离散数据（恶性和良性肿瘤）
• 4强化学习（Reinforcement Learning）

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

[e-mail]

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和输出，也可以说是特征和目标。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）、随机森林和统计分类等。

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。