【机器学习系列】浙大机器学习课程-第一章概述

机器学习的定义

机器学习是一种非显著式编程。显著式编程是程序固定了程序的输入输出，但是非显著式编程可以让机器进行不断学习。以机器人路径规划为例，机器人根据经验E来提升性能指标P的过程。

在人脸识别任务中，经验E往往指训练样本以及对应标签的集合。这些输入的数据都是人为手动添加标签，被称为监督学习。在自动驾驶任务中，经验E往往需要计算机和环境互动获得，计算机产生行为，算法定义收益函数，通过改变行为模式来最大化收益函数。这种往往被称为强化学习。

监督学习

1. 传统的监督学习（所有的训练数据都有对应的标签）
   –支持向量机
   –人工神经网络
   –深度神经网络

2. 非监督学习（所有的训练数据都没有对应的标签）
   聚类
   EM算法
   主成分分析算法

3. 半监督学习（少量标记数据和大量未标记数据）

机器学习入门

机器学习的第一步：不是下载大量的数据+套用一个模型！重点在于分析原始数据，对数据有感性的认知！！！
针对不同媒质不同任务，提取特征的方式千变万化。

第一步：特征提取

因此，选择“面积”和“周长”作为选择的特征。

第二步：采用支持向量机划分不同标签的数据

不同的机器学习算法会对特征特征空间做不同的划分，可以获得不同的分类曲线。

在设计机器学习算法的时候有一个假设：在特征空间上距离接近的样本，属于同一个类别的概率会更高。

没有免费的午餐定理：没有普遍而放之四海而皆准的算法。