StudyNotes_MachineLearning_1(吴恩达机器学习公开课)

机器学习

1.machine learning

1.1.Definition

Author Samuel（1959）：未具体设计过程而使机器具有自主学习能力的领域

Tom Mitchell（1998）：计算机程序自E（experience）中获得经验，解决任务T（task），进行某一性能度量P（performance），通过P测定在T上的表现因经验E而提高。

1.2 Supervised learning

       监督学习：算法通过给定的正确数据集作为参考，输出更多可能的正确结果。

       根据实际问题所需，以及类型推测，分为：

（Regression problem回归问题）即要尝试预测连续值（如下图）

                                

（Classification problem分类问题）尝试预测离散值（如下图）

                        

        非监督学习：给定不具某种特征意义的数据集，从中发现结构关系并进行分类的机器学习算法。

       以Google新闻为例，将具有同一新闻主题的各新闻机构的新闻拢列在一起（聚类算法）。如下图：

                     ​​​​​​​

        聚类算法的各种应用场景如下图：

        ​​​​​​​        ​​​​​​​        

         聚类算法只是众多无监督学习中的一种。

2.model representation

2.1Linear regression with one variable

        ​​​​​​​         

                                                        训练集与假设拟合函数

误差函数

当我们选择了某个假设函数之后，衡量其误差大小的方式就是用每个点处假设（预测）函数值减去这个点处的准确函数值。用以下（误差和平方函数）公式计算：

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​                

      

定义代价函数cost function为：

        ​​​​​​​        ​​​​​​​        ​​​​​​​        

 我们要通过寻找合适的，来使这个误差函数值最小。即误差函数最小时的。