提示:根据哔哩哔哩吴恩达机器学习课程,随堂写的笔记心得体会。
前言
提示:这是吴恩达佬团队在Coursera新开设的机器学习课程;
详细课程链接请见:
(强推|双字)2022吴恩达机器学习Deeplearning.ai课程
提示:以下是本篇文章正文内容
一、第三课
1.第一周
正式进入无监督学习
1.什么是聚类
尝试将他们分组为相似特征的人。
1.k-means聚类算法
1.随机找的聚类的中心。随机猜测集群中心在哪里。距离哪一个簇中心近,属于哪一个簇。簇的中心在每一次循环中会改变位置。
2.没有分配点的话就删除一个集群。
2.优化目标
3.初始化
4.选择聚类数量
2.非线性检测(第二个聚类算法)
1.发现异常事件
2.高斯正态分布
1.应用异常检测。
3.异常检测算法
4.开发与评估异常检测系统
5.异常检测与监督学习对比
1.正例数量非常少时,异常检测算法非常合适。欺诈检测。安全相关的应用程序。
2.更多的正例和负例数据时,监督学习非常合适。试图检测你过去在训练集看到的数据。天气预报。
6.选择使用什么特征
1.尽可能让特征为高斯特征。
2.第二周
推荐系统
1.建议
通过预测用户未评价的电影,来决定是否推荐。
1.使用每个特征
2.协同过滤算法
1.从数据中得出特征。
3.二进制标签
2.均值归一化
1.TensorFlow
2.Auto gread
2.寻找相关特征
1.协同过滤算法提供相关算法。
3.协同过滤与基于内容的过滤
1.基于内容:使用特征来决定向什么项目推荐。
4.基于内容的过滤的深度学习方法
5.从大型目录中推荐
6.推荐系统中的伦理
7.内容过滤的TensorFlow方法
3.第三周
强化学习
1.火星探测器
状态机
2.强化学习的回报
1.奖励
更快的获得奖励可能比更多的奖励更能吸引人.
每一步都有折扣因子。
3.强化学习中的策略
4.审查关键概念
2.状态
1.动作价值函数
Q函数
2.贝尔曼方程
3.连续状态空间
1.可以处于范围内的任何一个位置。
1.登月器
设定奖励与负奖励
2.学习状态值函数
3.改进神经网络架构
多个可能输出