加州理工机器学习第1课

机器学习备忘


基础方法为:

目标函数 (target function)          f(x) -> y

训练集(数据) (trainning set)   输入Xi 输出 Y

最终假设 (final hypothesis)         g(x) -> y

学习算法 (learning algorithm)         从训练集中找出最终假设函数g

假设集 (hypothesis set)             各种假设公式H(x),从里面找到g(x),  H = {h}, g∈H

                          

首先从假设集中找出可能的假设,然后通过学习算法找出g

举个例子,假设数据是线性依赖的,那么学习算法就是各种线性回归算法, 而你做出的假设就是数据是线性的


学习模型 (learning model) 一个假设集加上学习算法就构成一个学习模型


一个假设集例子- 感知器 perceptron

银行的贷款验证

for input = X {x1, x2, ...Xn}  'attributes of customer'

approve credit if        w1x1+w2x2+w3x3+...+WnXn > threshold


机器学习的基本准则,从一堆数据中找出隐藏的规则


监督学习 supervised learning                  有明确的数据指出结果

非监督学习 unsupervised learning         区别于上面,不给出输出结果

加强型学习 reinforcement learning             给出输入数据以及对输出结果的评价





  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器学习模型机器
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值