机器学习之 ——第一节基本概念

机器学习

1基本概念
2监督学习（分类）
3监督学习（回归）
4非监督学习

1.学习
针对经验E和一系列的任务T和一定的表现的衡量P，
如果随着E的积累，针对定义好的任务T可以提高表现P，就说计算机具有学习能力

2.deep learning
基于机器学习，以神经网络算法为起源价值模型结构深度增加的发展。

3.机器学习
待学习的概念或目标函数成为目标概念（target concept），记做c。
c(x)=1，当享受运动时，c（x）=0当不享受运动时，c（x）也可叫做y
x：每一个实例
X：样例，所有实例的集合
学习目标：f：X->Y

4.其他概念
训练集（training set）：用来进行训练，也就是产生模型或者算法的数据集
测试集(testing set)：用来专门进行测试已经学习好的模型或者算法的数据集
特征向量（feature values）：属性的集合，通常用一个向量来表示
标记：实例类别的标记，即最后结果的取值，如是，否
正例
反例

5.根据结果的取值不同，可以分为：
分类（如布尔类型）：目标标记为类别型数据
回归（如数值）:目标标记为连续性数值

6.例子：研究肿瘤良性，恶性与尺寸，颜色的关系
特征值：肿瘤尺寸，颜色
标记：良性/恶性

有监督学习：训练集有类别标记
无监督学习：训练集无类别标记
半监督学习：部分有，部分无

7.机器学习步骤框架
7.1.把数据分为测试集和训练集
7.2.用训练集和训练集的特征向量来训练算法
7.3.用学习来的算法运用在测试集上来评估算法（可能要调整参数），用验证集