【李宏毅-机器学习】笔记一:机器学习基本概念和 regression problem 回归问题

理茶德

于 2019-10-17 23:29:27 发布

阅读量737

点赞数 1

分类专栏：机器学习文章标签：机器学习有监督学习回归问题 regression 人工智能

本文链接：https://blog.csdn.net/qq_42851159/article/details/102616941

版权

本文是基于李宏毅机器学习课程的学习笔记，重点介绍了回归问题。回归问题涉及预测数值型输出，如股票价格。机器学习步骤包括定义函数集合、找到最佳函数并实施。监督学习是最常见的方法，通过标记数据优化函数。文章详细阐述了如何使用梯度下降法寻找最佳函数，并讨论了函数调整、误差评估和正则化等优化策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言：通过学习李宏毅老师的课程，总结出来的学习笔记。
机器学习的步骤
a set of function然后是通过数据集找到goodness function从里面找到一个最合适的function 然后再test，最后就是实现具体的问题。

learning map

regression 回归问题：output 是一个scale（数值，标量）比如预测股票等等
classification分类的问题：binary classification是输出的是 yes or no.
multi—class Classification是要做一个选择题
structured learning：输出很多结构，比如一句话

机器学习的方法：

supervised learning（监督学习）：通过标记数据集来优化function
semi-supervised(半监督学习)：通过标记一部分数据来优化function
unsupervised（不监督学习）：不标记数据
transfer learning（转移学习）：在标记的数据中放入一些与所要实现的功能不相关的数据
reinforcement learning（强化学习）：不会告诉机器，所得到的结论是对还是错，只是会给它的结果打分，让它自己去优化。比如alpha go 就用到了这个方法。