Andrew Ng机器学习笔记1

姐姐也要学习机器学习啦，好多人都推荐了吴恩达的机器学习课程，所以我也打算试试看。

网址：http://open.163.com/special/opencourse/machinelearning.html

立一个flag~从今天开始，每天学习斯坦福大学的公开课<机器学习课程>by Andrew Ng，自己推导公式，并做总结。

希望大家跟我一起学习、讨论~

总结的太多我也会不想看，已经知道的知识也不想总结，那样以后复习的时候也不太想看。。。所以姐姐总结的标准就是：

1.能把一个深奥的理论讲的生动形象的

2.会把大部分人搞得晕头转向的公式推导

3.十分重要的/新颖的思想

那么，let's go！

第一天（为什么这么写的时候会不由自主的想要唱起来，第一天我存在……=。=）——机器学习的动机与运用

监督学习(supervised learning)：给算法提供了一组标准答案，希望算法去学习标准输入和标准答案之间的联系，以尝试当我们给另一组输入时，算法可以提供我们更为标准的答案。回归问题与分类问题都属于监督学习。

无监督学习(unsupervised learning)：给你一组数据，并不会告诉你哪些是标准答案，而是让你从这组数据中发现一些有趣的结构。

这里老师举了一个例子：输入一张图像，使用聚类算法对图像划分不同的区域（这一步用到的是无监督学习），再利用聚类算法得到的结果来还原场景的3D模型（要用到监督学习）（这是他学生的研究方向，目前已经实现，想想就好厉害，只需要一张图像就可以还原出三维场景）下面这张图就是对一个场景图像利用聚类算法得到的结果，可以看出场景被划分出了好多区域。

 

强化学习(Reinforcement learning):举的例子是一个使用强化学习算法的直升机控制器，每次直升机摔下来的时候，就告诉它：bad helicopter，每次直升机飞行正确的时候，就告诉它：good helicopter，渐渐地，它就学会如何控制自己来获取更多的good helicopter。

强化学习的关键是找到一种方式来定义你想要的，如何定义哪些行为是good helicopter，哪些是bad helicopter，之后就需要一个学习型算法，来获取更多的good helicopter，更少的bad helicopter。