机器学习笔记（1）：Introduction

目录

1）welcome

2）What is Machine Learning

3）Supervised Learning 

4）Unsupervised Learning

---

1）welcome

第一个视频主要介绍了机器学习目前的案例，主要有：数据库挖掘、医疗记录、生物工程、无人直升机、手写识别、NLP、计算机视觉等。

2）What is Machine Learning

下面是机器学习的两个定义，分别来自于Arthur Samuel 和 Tom Mitchell：

第一个定义是：在未进行特定编程的情况下，给予计算机学习能力的领域。

第二个定义是：一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升。

目前存在几种不同类型的学习算法，主要的两种类型为监督学习和无监督学习。此外还有强化学习和推荐系统等。但更重要的还有了解应用学习算法的建议。我们不仅要知道工具，更要知道如何使用好工具。

3）Supervised Learning 

先看一个例子，这是有一张数据图，横轴表示面积，纵轴表示房价。基于这组数据，假如你有一个朋友，他有一套750平方英尺的房子，能卖多少钱？从图中可以看出，红色和蓝色曲线代表两种拟合方式，显然蓝色曲线拟合的效果更好。这是一个回归问题，回归的意思是，我们在试着推测出一个连续值的结果。

这里有一份关于乳腺癌的数据，横轴表示肿瘤大小，纵轴表示肿瘤是否为恶性。恶性则为1，良性记为0。这是一个分类的问题，分类指的是，我们推测出离散的输出值。

在其它机器学习问题中，可能会遇到不止一种特征，我们不仅知道肿瘤的尺寸，还知道患者的年龄。肿块密度、肿瘤细胞尺寸等等。

现在我们来总结一下，监督学习基本思想是：我们数据集中的每个样本都有相应的“正确答案”。回归可以推出一个连续的输出，分类目标是一组离散的结果。

4）Unsupervised Learning

现在我们来介绍无监督学习。在监督学习中，数据集已经有了正确的标记。而在无监督学习中，数据集没有任何的标签。下图中，我们把数据分成了两个簇，这是聚类算法。

下图也是一个聚类算法的应用，输入一组不同个体的基因，我们把个体聚类到不同的类或不同类型的组。

下面是无监督学习的应用，如组织大型计算机群、社交网络分析，市场分割，天文学数据分析。