【机器学习笔记】简介

参见Coursesa的机器学习课程，来自斯坦福大学人工智能实验室的Andrew Ng。

什么是机器学习？

Arthur Samuel在1959年给出过一个非正式的定义：“the field of study that gives computers the ability to learn without being explicitly programmed”。通俗地讲，就是赋予计算机一种不用明确编码而能自动学习的能力。

1998年卡耐基梅隆大学的Tom Mitchell给了更现代的定义：“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.” 通俗地讲就是，根据经验E来完成任务T，用P进行测量完成效果。

以 下象棋 为例：

E = 历史上下象棋的棋谱经验

T = 下象棋

P = 程序下一盘获胜的概率

监督学习

监督学习中，已经给定了数据集的正确结果，同时有输入和输出之间的因果关系。

监督学习分为两种问题，“回归(regression)”和“分类(classification)”。 回归问题中，我们用一个连续值来预测结果，也就是说将输入变量映射到某个连续函数。而分类问题中，我们用离散值来预测结果，也就是将输入变量映射为离散的分类。

例如：给定房子的大小，尝试预测它的价格。价格作为大小的一个函数，是个连续值输出，所以这是个回归问题。如果我们将任务改为“卖家是否高于200万”，就变成一个2分类问题。

无监督学习

无监督学习，也就是我们完全知道输入的结果是什么。例如给一堆水果（苹果、梨子、桔子），要求把水果按它们的品种非开；然后再拿一个桔子，期望能被划分到桔子那一堆。这个过程就是聚类（Clustering）。