课程链接 来自bilibili
根据黄博的笔记进行一个整理和个人总结
文章目录
一.引言
强调机器学习的热度 （不过是在2014年啦）
课程学习一些机器学习的术语 & 一些算法
1.什么是机器学习？
本节尝试定义什么是机器学习。
接下来的课程 希望教授——如何应用学习算法！
我们在实际应用中 一定要选择合适的学习算法加以修改来达到我们的需求！
吴恩达教授这样说：
在硅谷我住的地方，当我走访不同的公司，即使是最顶尖的公司，很多时候我都看到人们试图将机器学习算法应用于某些问题。有时他们甚至已经为此花了六个月之久。但当我看着他们所忙碌的事情时，我想说，哎呀，我本来可以在六个月前就告诉他们，他们应该采取一种学习算法，稍加修改进行使用，然后成功的机会绝对会高得多
吴恩达教授表示：
我们要花很多时间来探讨，如果你真的试图开发机器学习系统，探讨如何做出最好的实践类型决策，才能决定你的方式来构建你的系统
这样做的话，当你运用学习算法时，就不太容易变成那些为寻找一个解决方案花费6个月之久的人们的中一员。
本课将花很多时间来教我们这些机器学习 人工智能的最佳实践&如何让这些算法工作 &我们应该如何做
这一切的一切 都是为了让我们了解如何设计和构建机器学习和人工智能系统。
2.监督学习
简单来说
就是我们给学习算法一个数据集 这个数据集由“正确答案”组成 之后学习算法进行学习后 可以进行预测
监督学习的基本思想是：
给学习算法的数据集中的每个样本都有相应的“正确答案” 训练好的
学习算法就可以根据这些样本做出预测
之后讲了
回归问题
通过经典的“波士顿房价问题”
房价实际上是一系列离散的值 但是我们通常又把房价看成实数 看成是标量 所以又把它看成一个连续的数值
我们通过回归来推出一个连续的输出
举个例子
这就是个回归问题 我们把数千件货物看成一个实数 一个连续的值
所以卖出的物品数也是一个连续的值
分类问题
分类问题的目标与回归问题（推出一个连续的输出）恰巧相反 是推出一组离散的结果
这部分举了良性肿瘤的例子
假设说你想通过查看病历来推测乳腺癌良性与否
纵轴上，标出1和0表示是或者不是恶性肿瘤
有5个良性肿瘤样本，在1的位置有5个恶性肿瘤样本。
现在我们有一个朋友很不幸检查出乳腺肿瘤。假设说她的肿瘤大概这么大，那么机器学习的问题就在于，你能否估算出肿瘤是恶性的或是良性的概率。用术语来讲，这是一个分类问题。
这个问题中 分类 指的是 我们尝试推测出离散的输出值——0良性 1恶性
然而实际的分类问题中输出可能不止两个值
比如会出现第二类肿瘤 第三类肿瘤…这也是分类问题
我们画图来展示分类的结果（x表示恶性 o表示良性）
距离中间这条线越近 越危险。
3.无监督学习
为了更好地认知 监督&非监督学习 先来做个对比吧！
监督学习
数据集中的每条数据都打上标签了！
即×和o
模型可以清楚地知道 训练集对应的正确答案！
无监督学习
鸡尾酒会算法
举了一个例子 来分离音频 蛮有意思的~
一行代码实现~
二、单变量线性回归(Linear Regression with One Variable)
2.1 模型表示
模型描述
我们的第一个学习算法是线性回归算法。在这段视频中，你会看到这个算法的概况，更重要的是你将会了解监督学习过程完整的流程。
2.2 代价函数
代价函数
在这段视频中我们将定义代价函数的概念，这有助于我们弄清楚如何把最有可能的直线与我们的数据相拟合。
本节主要给了代价函数一个数学上的定义
2.3 代价函数的直观理解I
To Be continued
1876
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
