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

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。
机器学习 Machine Learning- 吴恩达Andrew Ng 第1~5课总结_第2张图片
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
机器学习 Machine Learning- 吴恩达Andrew Ng 第1~5课总结_第3张图片
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。

机器学习 Machine Learning- 吴恩达Andrew Ng 第1~5课总结_第4张图片

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

你可能感兴趣的:(AI,&,机器学习)