ML入门小菜一枚

标签：机器学习

---

早(zhong)上(wu)起床看了看视频，小结一发~

---

机器学习是人工智能领域延伸出来的，作为一种工具可以和多学科交叉起来使用，常见的应用比如识别手写、自动飞行、医疗诊断、商品推荐等等。它用到的是一种学习型算法，需要的基本知识有线性代数、概统、数据结构和算法等。

定义

机器自动学习，无需直接的编程。
比如下棋时，总选择赢的概率大的局面。

Sec 1. Supervised Learning 监督学习

提供一系列的数据集，给出自变量对应的应变量（即存在正确答案），试图寻找两者之间的关系。然后再给出测试量，预测出应变量。这个过程很像高中物理实验作图、预测。根据数据连续或者离散，分类为：

1. regression
   即需要预测的量时连续的。eg. 价格和房屋面积的关系。
2. classfication
   基于特征分类，应变量取值为0或1. eg. 肿瘤良性与其大小的关系。
   基于多组特征，要用高维刻画，故用向量机解决。

Sec 2. Learning Theory 学习理论

理论证明算法的准确度，估算学习的数据集是否足够大。

Sec 3. Unsupervised Learning 无监督学习

与监督学习对应，不明确应变量，只看到数据的聚类(cluster)，需要从中寻找特殊结构。eg. 对像素进行分类创建3D模型，分离音频流。
用matlab实现的ICA算法，写起来只有一行，但是理论搞出这个式子还是要花很久啊。

Sec 4. Reinforcement Learning 强化学习

Reward Fuction定义了行为的好坏，对后续行为具有导向性，减少了代码量。eg. 机器人控制。

---

之后还是要继续回顾一下基础知识，学习matlab/python实现一些算法。