机器学习 Machine Learning- 吴恩达Andrew Ng 第1~5课总结

YouTube课程地址

https://www.youtube.com/playlist?list=PLOXON7BTL9IW7Ggbc09jLqGmzkwPI4-3V
截止2021-5-3, 有112 个视频

1. 第一课：Machine Learning 的作用

• AI工作机会缺口一直很大
• 计算机新的技能
• 数据挖掘：google、Facebook等点击手机数据，医疗记录，生物智能基因检测，程序员技能。
• 硬件不可能自己写程序实现功能，所以要依赖于AI。比如无人机的自我调节方向，文字自动识别，扫描翻译，自然语言处理NLP，机器视觉 人脸识别等。
• 个性化推荐。Amazon，Netflix。
• 模拟人类智能，比如大脑，AI。
  

2. 第二课：机器学习的定义

计算机程序学习经验E，经验E来自一些任务T，和效果的度量P，P是多个任务的成功的概率，任务T和度量P的质量和数量反应到经验E的水平。

比如Gmail 如何通过用户标记和选项提交，学习识别垃圾邮件。

3. 第四课. Supervised Learning 监督学习

Supervised learning refers to the fact that we gave the algorithm a data set in which the “right answers” were given. Regression problem, predict continuous value output.

比如：你决定要卖掉一座house，如何给定合适的价格？
比如给定房价数据集，对于里面的每个数据，算法都知道对应的正确房价，即这房子实际卖出的价格。算法的结果就是算出更多的正确价格。

乳腺肿块是否为良性：一个维度根据肿瘤的大小，来判断乳腺肿块是否为良性。

乳腺肿块是否为良性：二个维度根据肿瘤的大小和年龄，来判断乳腺肿块是否为良性。
当然也可以根据更多维度，比如肿块的厚度，不均匀的细胞大小，不均匀的形状等。

两个问题：

1. 预测某个商品下个月的销量。因为有历史数据，或者相关数据，这个问题可以归为regression问题，收敛可以预测的，通过监督学习supervised learning得到预测值。
2. 判断用户账户是否被黑。因为用户账户分为被黑、和不被黑两种。也就是这类问题是分类问题。
   

4. 第五课 Unsupervised Learning非监督学习

supervised Learning监督学习：有不同类型的标记

Unsupervised Learning非监督学习：所有标记都是同一类型，但是有不同的聚类。

例子：Google News 非监督性学习，聚类的应用

例子：基因检测分类，根据基因的相似性，把人类分组划分。

• 计算机集群归类，使得计算效率更高
• 朋友圈分类，区分出亲密好友分组
• 把客户细分为不同的market，更好做营销
• 关于星系是如何诞生的理论

例子：鸡尾酒上的多人混淆语言，分类出独立的音频

分类出混淆语音为独立语音，只用了一行代码，用Octave环境。

一下哪些是非监督性学习：
2 Google news
3 给客户分类。