【Meachine Learning】lecture1 --吴恩达

视频地址：https://www.bilibili.com/video/av50747658/?p=1

1-3 Supervised Learning 监督学习

P1 Regression Problem 回归问题

视频中介绍了一个经典的例子：关于房价的预测。

图中横轴是房子的大小，纵轴是房子的价格。通过监督学习训练出一个函数对应房子的大小和价格，从而对房价进行预测。

简单来说，回归问题就是给出n个sample包含具体的值作为训练集，然后根据测试集的属性值来对具体值进行预测。

P2 Classification Problem 分类问题

经典例子，肿瘤恶性良性的判断。

横轴是肿瘤的尺寸大小，纵轴是是否为恶性。根据肿瘤的大小来对恶性和两性肿瘤分类

分类问题就是给出一些包含正确分类的sample对模型进行训练，然后根据sample的属性对样本进行分类。

总的来说，监督学习的训练数据集需要给出每个训练样本的具体值或具体分类，相当于要给出“正确答案”。

而实际问题会比上述例子中复杂的多，例如上面所说的分类良性与恶性肿瘤的问题，只是一个一元问题，每个样本只包含肿瘤大小这一个属性，而在真实的问题中可能包含很多属性。

例如图中这样，已列举出图中五个属性。

这是一道简单的选择题。

答案是第三个，很明显问题一是要预测具体的值，所以为是回归问题，问题二是要讲账户分类所以是分类问题。

1-4 Unsupervised Learning 无监督学习

对比监督学习，无监督学习有很大的不同。

例如：

监督学习是有标签的，在训练集中每一个样本有所谓的正确答案。

而无监督学习的数据集仅仅是只有数据，没有具体的分类或其他标签。将这些数据交给程序，程序能够自动的分析得到数据的结构。

无监督学习应用非常广泛，当无法对具体问题结果进行认为细分的时候，就可以用无监督学习来解决问题。

例如：

Organize computing clusters

用来管理大型计算机集群，分类哪些计算机趋向于协同工作，并将其组织起来。

Social network analysis

社交网络分析，分类某个社交平台上的用户群体所在的圈子。

Market segmentation

市场划分，分类客户群体属于哪几类销售市场。

Astronomical data analysis

分析星系如何形成（这个我暂时还不太理解）。

推荐使用的开发工具：octave 内置很多现成的函数方法，可以快速的构建机器学习算法模型。

例如：鸡尾酒算法。

一些人在一个鸡尾酒宴会上，环境音很嘈杂，这时利用一个麦克风对某一个人说的话进行录音，录音结果人声和嘈杂的环境音叠加在一起，利用鸡尾酒算法可以将这些重叠的声音分开，利用Octave只需要一行代码，得益于它的内置函数。

以上是第一讲三四节的内容。