吴恩达机器学习（一）监督学习与无监督学习

$$\ast \ast \ast 点击查看:吴恩达机器学习——整套笔记+编程作业详解\ast \ast \ast$$

人工智能 机器学习 神经网络 深度学习 的关系

推荐阅读：机器学习和深度学习综述

---

监督学习

（Supervised Learning）

给定一组数据点输入 {$x^{(1)},...,x^{(m)}$} 和 其对应的输出 {$y^{(1)},...,y^{(m)}$}，我们想要建立一个算法，学习如何从 $x$ 预测 $y$ 。

• 举例如下：有一个数据集（dataset），给出 房屋面积 和 房价 的关系：
  
  以 面积为横坐标，房价为纵坐标 组成数据点，得到下图：
  

• 提出问题如下：
  根据这些数据，当给出一个新的房屋面积时，如何预测其对应的房价？

• 建立如下模型：

Name	Explanation
$x^{(i)}$	输入变量（房屋面积），也叫做 输入特征（input features）
$y^{(i)}$	输出变量（房价），也叫做 目标变量（target variable）
$(x^{(i)},y^{(i)})$	训练样本点（training example）
$\{(x^{(i)},y^{(i)}),i=1,...,m\}$	训练集（training set）,$m$为训练样本数量

• 根据以上模型来描述监督学习问题：
  给定一个训练集（training set），我们需要学习（learn）出一个函数 $h:x\to y$，使得 $h(x)$ 能够很好的预测 $y$，即 $|h(x)-y|$的值越小越好，对应的函数 $h$ 被称为假设（hypothesis）。如下如图所示：
  
• 监督学习根据 目标变量(target) 分为两种：
  • 回归问题：当试图预测的目标变量 $y$ 是连续的，例如在上述房价例子中，我们称该学习问题为回归问题，如下图：
    
  • 分类问题 ：当 $y$ 只能取少量离散值时，例如，给定房屋面积和房价，我们想要预测该房屋是别墅还是公寓，则称之为分类问题：
    

无监督学习

（Unsupervised Learning）

与监督学习不同的是，在无监督学习中，我们的数据没有附带任何标签，例如这样：

常见的无监督学习有：

（1）聚类：对大量未知标注的数据集，按数据的内在相似性将数据集划分为多个类别，使类别内的数据相似度较大而类别间的数据相似度较小。

（2）降维：找出一些轴，在这些轴上训练数据的方差最大。这些轴就是数据内潜在的结构。我们可以用这些轴来减少数据维度，数据在每个保留下来的维度上都有很大的方差。

推荐阅读：一文看懂无监督学习（基本概念+使用场景+2类典型算法）