机器学习公开课-笔记1

机器学习定义：

Arthur Samuel对机器学习的定义：  Field of study that gives computers the ability to learn without being explicitly programmed。

Tom Mitchell对机器学习的定义： 对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，你们我们称这个程序在经验E中学习。

主要内容：

分为监督学习、无监督学习、学习理论和强化学习。

监督学习(Supervised Learning)： 即基于标记数据的学习。两个实例： 一个是回归问题(Regression)，房屋的价格与面积关系，是连续数据上的模型构建问题；另一个是分类问题(Classification)，肿瘤是否恶性与肿瘤大小的关系，是离散数据上的问题。

无监督学习(Unsupervised Learning): 与监督学习相对，其数据是没有被标记的。经典案例是聚类。如通过图片聚类来构建3D模型，在嘈杂的背景音中提取目标声音。

学习理论(Learning Theory): 主要是如何选择算法，如何验证算法的有效性，算法需要的数据量等等。

强化学习(Reinforcement Learning): 基本概念是回报函数，通过定义好的行为和坏的行为，加上趋好避坏的学习型算法，让程序作出一系列正确的决策。实例为自动驾驶的直升飞机，爬障碍物的机器狗机器蛇和避开障碍物的机器车等。

参考资料：

http://blog.csdn.net/stdcoutzyx/article/details/9101621