＜Intro＞ Andrew Ng Machine Learning course

学习内容：机器学习绪论

视频章节为1.1到2.6

内容为week1 的1、2、3

机器学习定义

让计算机在没有明确编程的情况下学习的科学（gives computers the ability to learn without being explicitly programmed）

机器学习算法分类

分为三类：监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）和强化学习（Reinforcement Learning）

监督学习算法

定义

训练数据中的输出y自带标签，即标准答案。

例如在经典的房价回归预测数据集中，每一处的房价y都给出了具体数值，在训练中机器能够知道学习结果正确与否，偏差是多少。

类型

监督学习的两种主要问题是回归（Regression）与分类（Classification）。

二者的区别在于回归是连续的，分类是离散的。对于回归问题，房价的预测值可以是任意数值；然而对于分类问题来说，我们依据肿瘤尺寸预测良性恶性，哪怕在第一级标准下继续划分，最后分成的种类数目依然是有限的，其标签也是已知数组中的某个元素。

无监督学习算法

定义

训练数据中的输出y不带标签，让机器自行在数据中发现某种模式、结构或特征（structure）。

类型

无监督学习的三种主要问题是聚类（Clustering）、异常检测（Anomaly Detection）和降维（Dimensionality Reduction）。

聚类无需多言，异常检测可以用于发现金融活动中的异常情况，如非法交易等；降维指的是将大数据集压缩成小数据集，并尽可能少丢失有效信息。

强化学习算法

学到该部分再回来补充

实操

jupyter notebook

配置环境过程

1. 先在anaconda激活环境（activate pytorch）
2. 安装CPU版本不带CUDA的pytorch（conda install pytorch torchvision torchaudio cpuonly -c pytorch）；带CUDA:conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch
3. 安装Jupyter notebook（conda install jupyter）
4. 启动（jupyter notebook）
5. 测试（import torch
   print(torch.__version__)
   print(torch.cuda.is_available())  # 如果安装了CUDA版本
   ）

可以参考【环境配置】Jupyter Notebook配置多个kernel内核（基于conda)_jupyter kernel-CSDN博客

kernel是jupyter notebook执行代码的计算引擎。不同语言的kernel能够执行不同语言的代码，如python、R语言等。可以理解为代码的执行环境或解释器。

遇到问题

1. 从GitHub上下载的ipynb文件图片无法正常显示（24.8.10）

解决方案：图片存放在文件外的另一个文件夹。建议整个项目直接下载移植。

思考

1. 感触比较深的一点是Andrew Ng提到某些顶尖的机器学习团队花了六个月却毫无成效，他认为他本可以在六个月前就告诉他们现有的方法是行不通的，也许可以应用更有效的工具来帮助成功，这就是选对方法比盲目努力更加重要，同时也表明应该多向顶尖人物请教。