机器学习【machine learning】学习笔记【1】

关于机器学习

这也是我第一次发用Markdown编辑的博客内容，这个机器学习是我目前在自学的Andrew Ng的machine learning课程。地址在这里就不方便贴了到处都是。这个因为是本科生的课程所以比较浅显易懂，当然讲的也比较的浅层。以下是我自己看的时候留下的笔记，也算是留下点印记再做个review吧，基本上每周一更，希望自己能坚持下去。

what is machine learning

之前我也非常好奇什么才是机器学习，机器学习比较通俗的说法就是，通过用一些数据来训练你的机器，让其达到一些目的，这些目的可能是本来直接通过写程序无法达到的。引用一下Andrew的定义。

Tom Mitchell provides a more modern definition: “A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.”

Example: playing checkers.

E = the experience of playing many games of checkers
T = the task of playing checkers.
P = the probability that the program will win the nex game.

E表示的是过往经验，T表示的是目的【可能是这么翻译。。。这就是我很烦的中英文一起看的奇怪的情况，有些词不能很好的表达】，P就是我们所求出的可能性。

其中还分了两种情况，监督学习与非监督学习【Supervised Learning & Unsupervised Learning】。
监督学习简单的理解可以是给定的数据都是确定的，或者可以理解成已分类，完全的。其中再细分为古典概型和回归概型。一个是取值有限的一个是取值无限的。
非监督学习则是给定的数据都是有某些参数并不确定的，所以我们可能还需要对他进行下一步分类，这也是经典的K-Means算法的类型。

单变量的线性回归问题

介绍的是比较简单的单参数的线性回归问题，模型采用的就是一个一元函数。MarkDown要是用公式编辑太麻烦了所以。。。就不写了。这个函数我们称他为假设函数【Hypothesis Function】通过对假设函数算平方误差函数就得到了价值函数【Cost Function】之后引入了梯度【Gradient Descent】并且介绍了梯度在线性回归中的作用是用来求出一个最低点。具体的做法简单说就是利用每次乘一个α来使它前进导数倍的位移，因为导数总是指向极点的并且由于单变量所以保证函数整体是一个碗型函数所以经过一定的步数之后一定可以得到最低点，这就是我们所要求的假设函数的两个参数得值。这部分需要用到一小部分的高数知识，可以稍许温习一下。

线性代数

线性代数可以说属于机器学习的基础学科，非常的重要。在最后一堂课中做了一个简单的review。如果没有学过或者基础不好建议可以去稍许学一下，因为线性代数整体还是比较简单的，比较重要的就是一些关于矩阵的内容，这在之后处理多维的问题啊什么的都比较重要。

写在最后

第一周的课程我差不多一起花了4个小时多以前全部完成，其中部分专有名词的英语让我比较头疼，都得边查边看，之后应该会好的多。非常建议大家去coursera上去看一下视频，他在其中讲的非常的细，就算会了也可以当做重新温习一下，中间还会有小练习课程中还有Quiz，做一下还是能加深一下印象的。第一次写还是有一点不熟悉，希望大家能喜欢，明天我会上传上我的纸质笔记，参考一下。
P.S 之后好像还是要用到Octave或者Matlab的，要做好准备。