吴恩达机器学习_1

NLP学习_吴恩达机器学习_1

目前是大一的小白，在学长的指引下选择了NLP这一条路，又根据学长的推荐开始啃B站上吴恩达机械学习系列课程，以下是为了加深记忆的笔记。

机械学习定义

一个适当的学习问题定义如下：在一个适当的学习问题定义如下：计算机程序从经验E中学习解决某一任务T进行某一性能度量T，通过P测定在T上的表现因经验E而提高。
（Well-posed Leaning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P ,if its performance on T,as measured by P,improves with experience E.）

答案：A
实际上T，E，P，已经都给出定义。
给邮件分类是T 即选项A，观察你是否把邮件标记为垃圾邮件是E 即选项B，正确归类邮件的比例是P 即选项C。

机械学习分类

1.监督学习（Supervised learning）
简单的来说，就是教会计算机学会一些东西。
2.无监督学习（Unsupervised learning）
简单的来说，就是让计算机自己学习一些东西

监督学习（Spervised learning）

先来看一个例子，下面是房子价格和大小的数据集，假如一个房子1500平米，那么它的价值是多少？

当然，我们可以选择直线拟合数据或者用二次函数来拟合曲线，显然会得到不同的答案。

而监督学习就是说，我们给它一个数据集，其中包含了正确答案，算法的目的就是给出更多的正确答案（在例子中我们给出数据集，让算法计算1500平米房子的总价值）。
这也就是回归问题（regression problem）。
在回归问题中我们想要预测连续数值的输出。

另一个例子，下图是一个乳腺肿瘤大小和是否为恶性的关系图。

很显然，在这个例子里输出的值并非连续，而是割裂的（0 or 1）。这也就是分类问题（Classification problem）

在实际的例子里也有可能输出两个以上的结果（例如输出结果有良性，恶性1，恶性2，恶性3）。
在例子里我们我们只使用了一个属性来预测肿瘤的属性，我们可以使用更多的属性去预测。

例如下图使用两个属性。

无监督学习（Unsupervised learning）

在无监督学习中，我们提供给算法的数据是没有标签的（或者说有同样的标签），我们不知道要拿他来干什么，也不知道有什么意义，我们只是知道这有一些数据，你能在数据里面有什么特殊结构吗？因为我们没有把正确答案给算法，所以是无监督学习。
上图中，算法可能会分析出数据中分为连两个簇。

视频中，推荐使用Octave，因为我已经下载过Matlab，暂时我先使用Matlab。