【机器学习】简单认识监督学习

简单认识监督学习

• ⭐️Supervised learning
• ⭐️Examples
• ⭐️Specific example
• ⭐️两种类型的监督学习算法
• • 🌙回归算法
    • 🌙分类算法
• ⭐️总结

Hi~大家好呀！经历了暑假期间短暂的接触机器学习的一些算法，之后又对深度学习、yolo系列有些了解，还尝试着去学习完成one-stage目标检测，但是由于基础知识的不扎实，很多时候都在补窟窿。
所以我打算从0开始学习机器学习算法，根据吴恩达老师的完整课程，将学习笔记上传于此。

“我认为今天机器学习创造的价值的99%是通过一种机器学习称为监督学习完成的。”

⭐️Supervised learning

监督机器学习是指学习x到y或者 输入到输出映射的算法。

监督学习的关键特征是，我们自己提供学习算法示例以供学习。
这其实就是，给定输入x的正确标签y，机器通过查看正确的输入x和所需的标签y，最终学会学习算法。即，当我们只是给出输入x，机器就能够给出合理准确的预测或者猜想。

⭐️Examples

• input 电子邮件
• output 垃圾邮件/非垃圾邮件
  通过监督学习，将为我们提供垃圾邮件过滤器的功能。

• input 音频
• output 文本转录本
  这时，监督学习，就为我们提供语音识别的功能。

• input English
• output 其他语言
  这时，就实现了机器翻译。

或者，我们可以将图片作为输入，比如说，刚下线的手机，将其图片作为输入，让学习算法根据输入的手机产品的 图片来判断是否存在划痕、凹痕或者其他缺陷。
这个称为目视检查，它可以帮助制造商减少或者防止其产品中的缺陷。

在上面的这些例子中，我们首先需要输入大量的示例，即输入x和与其相对应的正确答案即标签y来训练我们的模型。

在模型从这些输入、输出(x和相对应的y)中学习之后，它们可以采用全新的输入x(它以前从未见过的东西),并尝试产生适当的对应输出y。

⭐️Specific example

下面让我们更深入地研究一个具体的示例。
房价预测问题。
假如我们想根据房屋地大小来预测房价，并且我们已经收集到了一些过去的数据，并绘制了数据。

这里的横轴是以平方英尺为单位的房屋大小，纵轴是房子的价格。
有了这些数据，假如你的一位朋友想直到他们750平方英尺的房子的价格是多少。那通过学习算法如何帮助到你的朋友呢？
学习算法可能会通过指向拟合数据，通过直线上的数据以及直线以外的读数，可以大概预测到房子大概可以卖到150，000美元。

但拟合直线并不是我们可以使用的唯一学习算法。还有更好的可以应用于此。
比如，我们用下面的曲线进行拟合：

这样看起来，你的朋友的房子可以接近于200，000美元的价格。
给你的朋友选择最好的价格出售并不合适，我们应该关注的一件事是，如何选择最合适的直线或者曲线来适应这个数据，给出最合适的数据。

以这个例子简单说明，我们首先为算法提供了一个数据集，这个数据集中的每个x即房屋的面积，都对应着一个正确答案，即标签y。
学习算法的任务就是通过对此数据集的学习，有一些“经验”，产生更多这样的正确答案，当我们利用这个算法时，为这个算法提供一个房屋的面积，它可以根据“以往经验”预测出可能的出售价格。

⭐️两种类型的监督学习算法

🌙回归算法

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化资料的朋友，可以点击这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！