【吴恩达机器学习随笔】什么是机器学习?

定义 

  Tom Mitchell对机器学习定义为“计算机从经验E中学习,解决某一任务T,进行某一度量P,通过P测定在T上的表现因经验E而提高”。定义个人觉得大体理解即可,如果扣文咬字去理解会十分痛苦,就不做过多解释了。

原文:A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.  

分类

  Supervised learning

  监督性学习是指“我们已有数据集,并且该数据集里面对于一个输入,我们是知道正确的输出结果的。”,这个定义非常重要,也是区分监督性学习和非监督性学习明显分界性。监督性学习问题又分为regression(回归)和classification(分类)。

  在满足监督性学习问题前提下,对一个求解的问题,如果判断它是属于回归还是分类范畴?

  首先看个人理解定义:求解问题结果是连续的还是离散的,如果是连续的就是回归问题,离散的就是分类问题。

  再举个例子加深理解:假设我们手头上有一份数据为广州所有楼盘的均价数据集。如果要预测距离市中心500米楼盘价格,我们也许就会以数据集建立这样的一个数学模型,一个坐标轴,x轴代表距离市中心距离,y轴为楼盘价格。套用机器学习定义,我们的任务T是要预测记录市中心N米的楼盘价格,而度量P就是预测价格准确性,经验E就是我们数据集,数据集数据越多对我们预测结果将会有正向作用。在这个例子了楼盘价格(y轴)曲线明显是一个连续的值,因此属于回归问题。

  相同的数据集,如果我们要预测问题是距离市中心500米楼盘价格是高于还是低于广州均价。也许坐标轴我们就会这样去表示,y轴只有0和1,0代表低于均价,1代表高于均价。x轴为距离市中心距离。在这个例子明显y轴值是离散的,因为属于分类问题。实际上分类问题离散值类别可能不止只有0和1,而是有多个,但无论多少个,类别种类是确定的,这一点也是分类问题明显特性。

  Unsupervised learning

  与监督性学习不同的是非监督性学习“同样有数据集,但没有该数据集的任何标签信息,也就是一堆没有答案的数据”,而非监督性学习目标就是我们可以通过算法从数据集能把相同特征或者是相似的数据归类。其中可以分为Clustering(聚类)和Non-clustering(非聚类)算法。对于聚类和非聚类可以这样理解,他们都是对数据集数据进行归类,但是聚类可以把一堆数据集按照某个标准或者特征对相似数据划分为一个类别,而非聚类算法可以从数据集一堆数据中发现相同数据结构数据(如Cocktail Party Algorithm算法,能在嘈杂声音环境中把人说话的声音和背景音乐声音找出来)。

原文地址:https://www.cnblogs.com/yipaihushuo/p/9644210.html

时间: 2024-11-09 16:48:25

【吴恩达机器学习随笔】什么是机器学习?的相关文章

吴恩达2014机器学习教程笔记目录

17年开始,网上的机器学习教程逐渐增多,国内我所了解的就有网易云课堂.七月.小象学院和北风.他们的课程侧重点各有不同,有些侧重理论,有些侧重实践,结合起来学习事半功倍.但是论经典,还是首推吴恩达的机器学习课程. 吴大大14年在coursera的课程通俗易懂.短小精悍,在讲解知识点的同时,还会穿插相关领域的最新动态,并向你推荐相关论文.课程10周共18节课,每个课程都有PPT和课后习题,当然,也有中文字幕. 百度网盘(视频 + 英文字幕 + 中文字幕 + 练习 + PPT): 链接:https:/

机器学习爱好者 -- 翻译吴恩达老师的机器学习课程字幕 http://www.ai-start.com/

机器学习爱好者 -- 翻译吴恩达老师的机器学习课程字幕 http://www.ai-start.com/ https://zhuanlan.zhihu.com/fengdu78 https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes 文档PDF   https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes/blob/master/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%

吴恩达Coursera机器学习

涉及 Logistic 回归.正则化. 六.逻辑回归(Logistic Regression) 6.1 分类问题 6.2 假说表示 6.3 判定边界 6.4 代价函数 6.5 简化的成本函数和梯度下降 6.6 高级优化 6.7 多类别分类:一对多 七.正则化(Regularization) 7.1 过拟合的问题 7.2 代价函数 7.3 正则化线性回归 7.4 正则化的逻辑回归模型 六.逻辑回归(Logistic Regression) 6.1 分类问题 参考文档: 6 - 1 - Classi

吴恩达《机器学习》课程总结(5)_logistic回归

Q1分类问题 回归问题的输出可能是很大的数,而在分类问题中,比如二分类,希望输出的值是0或1,如何将回归输出的值转换成分类的输出0,1成为关键.注意logistics回归又称 逻辑回归,但他是分类问题,而不是回归问题. Q2假说表示 其中: sigmoid函数 hθ(x)的作用是,对于给定的输入变量,根据选择的参数计算输出变量=1的可能性即hθ(x)=P(y=1|x;θ). Q3判定边界 g(z)中的z即为判定边界,如下 Q4代价函数 如果用之前回归时用的平方损失函数,代价函数将是非凸函数,会收

专访吴恩达:我不关心人工智能是否变邪恶

专访吴恩达:我不关心人工智能是否变邪恶 可以说,这几所大学有着最赞的计算机科学课程:卡耐基梅隆大学.麻省理工学院.加州伯克利以及斯坦福.这些地方,分别是吴恩达获得学士学位.硕士学位.博士学位和执教12年的地方. 吴恩达是人工智能界的标杆,实至名归,他甚至还没到40岁.2011年,他成立了谷歌大脑,一个因谷歌强大的计算能力和大量的数据而大放异彩的深度学习项目.当计算机分析了许多的YouTube截屏并能够识别出一只猫时,谷歌大脑普大喜奔地迎来了它最重要的成就之一.(<纽约时报>以「需要多少台电脑才

2017年度好视频,吴恩达、李飞飞、Hinton、OpenAI、NIPS、CVPR、CS231n全都在

我们经常被问:机器翻译迭代了好几轮,专业翻译的饭碗都端不稳了,字幕组到底还能做什么? 对于这个问题,我们自己感受最深,却又来不及解释,就已经边感受边做地冲出去了很远,摸爬滚打了一整年. 其实,现在看来,机器翻译在通用领域的短句上,已经做得不错了,但是复杂长句.需要结合上下文语境.特定知识的翻译上,效果还远远不能让人满意. 人工智能领域的翻译,就属于后者.它不仅需要数学.编程知识打底,对特定专业表达进行界定,还需要适时结合上下文语境理解和延伸. 这样一来,你也许能够理解,忠于原意又有人情味的翻译很

吴恩达《深度学习》第一门课(1)深度学习引言

1.1欢迎 主要讲了五门课的内容: 第一门课:神经网络基础,构建网络等: 第二门课:神经网络的训练技巧: 第三门课:构建机器学习系统的一些策略,下一步该怎么走(吴恩达老师新书<Machine Learning Yearning>就是针对这个以及上一课): 第四门课:卷积神经网络相关: 第五门课:循环神经网络相关. 1.2什么是神经网络 (1)常说的深度学习指的就是训练神经网络,或者也指特别大规模的神经网络. (2)每一个神经元都代表着从输入到输出的函数映射,如下的房价预测: (3)激活函数Re

微-信-P=K=1-0源码搭建与吴恩达终于“接地气”了

过去三个月,吴恩达(Andrew Ng)往返于旧金山.长沙和芜湖,出没在农机工厂和田间地头,终于在7月的最后一天签下了Landing.ai在中国的第二个大单:中联重科.微-信---P=K=1-0源码搭建QQ:2152876294 网址diguaym.comLanding.ai是吴恩达从百度离开后的第二个创业项目."Landing是落地,技术是要落地的",吴恩达说.有人直译成"接地气AI",其使命是从制造业开始,提供AI转型方案.2017年12月Landing.ai成

【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第一周测验【中英】

[吴恩达课后测验]Course 1 - 神经网络和深度学习 - 第一周测验[中英] 第一周测验 - 深度学习简介 和"AI是新电力"相类似的说法是什么? [ ?]AI为我们的家庭和办公室的个人设备供电,类似于电力. [ ?]通过"智能电网",AI提供新的电能. [?]AI在计算机上运行,??并由电力驱动,但是它正在让以前的计算机不能做的事情变为可能. [★]就像100年前产生电能一样,AI正在改变很多的行业. 请注意: 吴恩达在视频中表达了同样的观点. 哪些是深度学

吴恩达深度学习:1.2什么是神经网络

写在开头的话,本博客内容全部来自吴恩达深度学习教学课程,插图均来自吴恩达课件,在此说明来处,不喜勿喷! 一.什么是神经网络 1.我们从一个房屋加个预测的例子开始,假设有一个6间房间的数据集,已知房屋的面积单位是平方米或者平方英尺,已知房屋加个,现在想要找到一个函数,根据房屋面积来预测房屋价格的函数.如果有机器学习的只是,可以用线性回归得到这样的一条直线: 但是我们知道,价格永远不可能为一个负值,所以用一个直线的线性回归进行预测不太合适,我们可以在size轴将预测线弯曲一点,让他结束于0,我们所要