机器学习（Machine Learning）- 吴恩达（Andrew Ng）视频笔记 第一章

第一章

目录

1 - 1 - Welcome
1 - 2 - What is Machine Learning
1 - 3 - Supervised Learning
1 - 4 - Unsupervised Learning

---

1 - 1 - Welcome

第一个视频主要讲了什么是机器学习，机器学习能做些什么事情。机器学习是目前信息技术中最令人惊艳的方向之一，目前对应的工作人才需求缺口也十分大。
机器学习的算法已经深入到我们生活的很多角落，例如搜索引擎的页面排序算法，垃圾邮件筛选，手机中的人脸分类等。
为什么机器学习如此受欢迎呢？原因是，机器学习不只是用于人工智能领域。我们创造智能的机器，有很多基础的知识。比如，我们可以让机器找到A 与B 之间的最短路径，但我们仍然不知道怎么让机器做更有趣的事情，如web 搜索、照片标记、反垃圾邮件。我们发现，唯一方法是让机器自己学习怎么来解决问题。所以，机器学习已经成为计算机的一个能力。
机器学习被用于数据挖掘的原因之一是网络和自动化技术的增长，这意味着，我们有史上最大的数据集比如说，大量的硅谷公司正在收集web 上的单击数据，也称为点击流数据，并尝试使用机器学习算法来分析数据，更好的了解用户，并为用户提供更好的服务。这在硅谷有巨大的市场。再比如，医疗记录。
在机械应用中，有些不能直接通过代码操作机器。例如，作者提到他已经在无人直升机领域工作了许多年。却不知道如何写一段程序让直升机自己飞，唯一能做的就是让计算机自己学习如何驾驶直升机。
手写识别：现在我们能够非常便宜地把信寄到这个美国甚至全世界的原因之一就是当手写一个像的信封，一种学习算法已经学会如何读你信封，它可以自动选择路径，所以我们只需要花几个美分把这封信寄到数千英里外。
最后视频中提到学习算法被用来理解人类的学习和了解大脑。

在接下来的视频中，将开始给更正式的定义，什么是机器学习。然后我们将开始学习机器学习的主要内容。

---

1 - 2 - What is Machine Learning

机器学习是什么？实际上，即使是在机器学习的专业人士中，也不存在一个被广泛认可的定义来准确定义机器学习是什么或不是什么。
定义1：来自于Arthur Samuel。他定义机器学习为，在进行特定编程的情况下，给予计算机学习能力的领域。
定义2：由Tom Mitchell 提出，来自卡内基梅隆大学，Tom 定义的机器学习是，一个好的学习问题定义如下，他说，一个程序被认为能从经验E 中学习，解决任务T，达到性能度量值P，当且仅当，有了经验E 后，经过P 评判，程序在处理T 时的性能有所提升。例如下棋这个例子，经验E 就是程序上万次的自我练习的经验，而任务T 就是下棋。性能度量值P 就是它在与一些新的对手比赛时，赢得比赛的概率。
目前存在的学习算法最常用两个类型被我们称之为监督学习和无监督学习。在接下来的几个视频中，会给出这些术语的定义。简单来说，监督学习是指，我们将教计算机如何去完成任务，而在无监督学习中，我们打算让它自己进行学习。

---

1 - 3 - Supervised Learning

本节主要介绍监督学习。其基本思想是，数据集中的每个样本都有相应的“正确答案”，也就是label。再根据这些样本作出预测，就像房子和肿瘤的例子中做的那样。监督学习中包括回归问题及分类问题，回归问题是通过回归来推出一个连续的输出；分类问题目标是推出一组离散的结果。

---

1 - 4 - Unsupervised Learning

不同于监督学习的数据，无监督学习中没有label。针对数据集，无监督学习可以通过聚类将数据分成多个簇。它是学习策略，交给算法大量的数据，并让算法为我们从数据中找出某种结构。
聚类应用的一个例子就是在谷歌新闻中。谷歌新闻每天都在，收集非常多，非常多的网络的新闻内容。它再将这些新闻分组，组成有关联的新闻。所以谷歌新闻做的就是搜索非常多的新闻事件，自动地把它们聚类到一起。所以，这些新闻事件全是同一主题的，所以显示到一起。