《吴恩达机器学习》1 绪论：初识机器学习

前言

机器学习（Machine Learning）这个领域近几年非常火爆，Alpha go、cortana、facenet等产品陈出不穷。特别是看到openai研究的DOTA2对抗机器人和顶级人类玩家打得如火如荼，无不激起我莫大的兴趣。为此为了跟上时代的步伐，希望自己也能成为AI领域的一份子，在此将吴恩达的机器学习课程做下学习笔记，以便交流及查阅。
ps. 本人是一名c++程序员（有空我要吐槽下c++），近年工作涉及很多AI，也为我打开了新世界的大门，我自己也研究了一些小工具，如文档边缘识别（类似扫描王），文档是否填写或是否同一篇文档等（后续会发博客开源出来），一起进步。

一、什么是机器学习

首先看看机器学习的定义：

“A computer program is said to learn from experience E with respect to some class of tasksT and performance measureP if its performance at tasks inT, as measured by P, improves with experience E ”

这段话读起来非常魔性，特别像rap，感觉就是为了押韵而写的。简单来说就是 通过学习一堆数据总结出经验，然后用这个经验得出结论，所以在机器学习中数据是核心，当今机器学习会这么火也得益于目前的大数据时代。你们应该还听过深度学习，其实他也是机器学习的一种，当然还有强化学习等都是机器学习的子领域。以下是几个例子

1、预测房价

这个是最经典也是最入门的例子，大家都知道房价和面积正相关吧（当然还有其他因素先不考虑）那么根据面积（横坐标）和价格（纵坐标）的样本图是这样的

上面我们可以根据数据通过算法（线性回归后续会介绍到）得到预测的直线或曲线，然后根据这条线（上面所说的经验）得出不同面积下的房屋价格。

2、乳腺癌预测

我们都知道癌症和肿瘤大小有关，那么我们根据大小和是否良性肿瘤的样本得出下面的图示

上面我们可以根据数据通过算法（logistics回归后续会介绍到）得到一个模型，根据这个模型输入肿瘤的大小就可以预测是否良性。

二、监督学习

首先是官方的定义：

利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的 过程，也称为监督训练或有教师学习。

比如以上两个例子都是带有标签的，即指示数据的结论值，那么我们就将这些带有标签数据的学习模型称为监督学习。监督学习是我学习那么多算法中最多的一种学习方式，比如knn，svm，pca等，其实记住这个概念即可，后续专项学习某个算法时，是很容易理解这个概念的。

三、非监督学习

首先是官方的定义：

无监督学习的问题是，在未加标签的数据中，试图找到隐藏的结构。因为提供给学习者的实例是未标记的，因此没有错误或报酬信号来评估潜在的解决方案

顾名思义就是不带标签数据的自动化学习模型，也是非常容易理解，常用的我所知的有聚类算法、鸡尾酒算法。下面我们看几个例子吧

1、google news

google news的新闻分类，自动的从非常多的新闻中将石油失事的归为一个大的链接

2、DNA 个性

算法将有DNA的一些序列进行分类，然后得出不同个性的相同簇

总结

以上就是吴恩达机器学习的绪论视频( 绪论：初识机器学习），是对视频的一些总结笔记及个人见解。