Stanford 机器学习 第一讲:机器学习的动机与应用

目录:

1.什么是机器学习?

2.机器学习主要包含哪几个方面?

 

1.什么是机器学习?

     1959年,Arthur Samuel 将机器学习问题定义为:在不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,

     1998年,Tom Mitchell给出机器学习更正式的定义, 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。

  (在学习下棋的例子中,经验E对应着程序不但和自己下棋的经历,任务T是下棋,性能测量P是在和人类棋手对弈的胜率)

2.机器学习主要包含哪几个方面?

    机器学习主要由监督学习、学习理论、无监督学习以及强化学习四部分所组成,下面将对这几部分进行逐一介绍。

2.1 监督学习

       之所以称之为监督学习,是因为给算法提供了一组"标准答案"。     

       例子:某一个地方的房屋价格的统计,属于“回归问题”范畴,即预测的变量是连续的。(用算法预测给定房屋面积时房屋对应的价格)

       乳腺癌肿瘤数据的分析,属于“分类问题”范畴,即处理的变量是离散的。(用算法预测一个肿瘤是否为恶性)

2.2 学习理论

      理解为什么学习型算法是有效的,进而让算法尽可能高效的工作。了解什么样的算法能很好地近似不同的函数,以及试图了解需要多少训练数据的问题。 

     例子:读取邮编问题,什么时候算法能在读取邮编时达到99.9%以上的正确率?

2.3 无监督学习

      给定一组数据,不告诉关于数据的任何正确答案,分析能否在这些给定的数据中找到一些有趣的结构。

     例子:聚类问题,可以应用于图像处理等。

               鸡尾酒会问题,在很多人说话的情况下,能否将自己所感兴趣的那个人的声音单独从嘈杂背景中提取出来?

2.4 强化学习

     可以被用在你不需要进行一次决策的情形中。强化学习背后是一个称为“回报函数”的问题。

     强化学习的关键是需要找到一种方式,来定义想要什么,即如何定义一个好的行为和一个坏的行为;此外还需要一个学习型算法,来尽可能的获得更多的回报和更少的惩罚。

      例子:机器人领域、网页爬取

     

 

 

 

你可能感兴趣的:(Stanford 机器学习 第一讲:机器学习的动机与应用)