消化Machine Learning课程-Week1 Introduction

直入主题，作为Machine Learning课的复习笔记，这一系列的博客会从头写起。

Week1 总共分为三个部分。Introduction部分大概扯扯0，吸引大家来学习高大上的机器学习。

如下图所见，Andrew给出机器学习的应用实例：

• 搜索引擎的网页排序。
• Facebook的照片检测。
• 垃圾邮件的识别。

同时，他还展示了自己的得意作品-自动驾驶空中杀手小小直升机，从视频中看到这种乱飞的神秘物体真是醉了~IT人士对直升机驾驶有偏爱果然是确确实实。

机器学习是从AI研究中产生的，而Andrew的梦想是实现人工智能。这一点很有意思，AI开始的研究集中于逻辑方面，尤为著名的图灵实验就是AI人士的playground，后来具Peter Norvig说，研究人工智能的智能们醒悟过来，发现使用统计学方法，利用数学模型处理往往能达到更好的效果；像飞机的发明一样，当人类停止极力模仿鸟才有了莱特兄弟的灰机出现，非让电脑跟人说话来检测人工智能也许不是电脑的菜，毕竟这货跟人不一样，极少犯错。那么，闲话说到这里，继续复习课程。

从更广的范围来说，手写识别、自然语言处理和机器视觉都是ML的研究范围（其实。。。谁先做出来能用的东西，这个领域就划入了该学科的研究范围）。

亚马逊和Netflix的推荐系统也有赖于ML方法（纸牌屋就是这样挖出来的~）。

下一节视频中，Andrew老师开始划分概念以及讲解机器学习的定义~（定义这玩意。。就是为了告诉爸妈我们是干什么的，不过好像还是说不清楚~~~费曼曾经说过，如果人类智慧成果全消失了，只留一句话给后代，那句话就是“世界是由原子组成的，原子间有空隙并不断地作不规律运动”==就是说，给后代熊孩子们留个定义吧）

这节里面，Andrew实际上讲了个冷笑话，他说Samuel写了个checker's game(Sedgewick和Kevin的Algorithm里面有讲)的AI然后把自己打败了，体现了AI的伟大，然后淡淡的说了一句~其实Samuel本人这个游戏玩得就很菜。

总体来讲，目前对ML的解释是对使用硬编码方式不适宜的问题，通过让机器自己学习，喂给数据，使其自动完成一些工作~官方一点说，是给出经验E和表现度量参数P，使得机器完成一个任务T，并且在E的帮助下机器完成T的P参数得到提升。我这种战五渣的理解就是~~给程序一堆参数，给出数据让它自己去调参数，调好程序运行比较正常就能用了。

下一节讲的是有监督的学习，老师举了个奥克兰的房子的例子，给出一组数据（面积和房价），使用一种方法给出一个750平方英尺的房子。用中学学的线性回归可以完成(其实线性回归至今不是很明白，照猫画虎)一种预测(Andrew的线性回归从来都是硬调参数值调出来的，完全不算啊啊啊。。。)，同时用二次函数拟合效果会更好~

在天朝，面积不是重点，重点是学区。。。

再来是无监督的学习，给一堆数值，需要给它们分个组，在肿瘤检测等方面都会有应用。此处，作为大神，老师展示了一种高端的处理：

现场有两个声源，取两个麦克风放到不同的位置作为输入，利用一种算法就能将两个声源声音分离出来~这几个小喇叭各自播放的哪个阶段的信号至今没弄懂。。。回头再细抠一会

最后，大神就要安利Octave了（竟然知道我米有钱买Matlab。。。），不要9999行代码，也不要999行代码，更不要99行代码，只要一行代码，是的，你没有听错，只要一行代码，不需要类库，不需要外挂~只要一行代码就能实现上图的高端效果！！！

（两个麦克搞不到，这个实验还没做嘞，另外，svd是什么。。。滚去学堂在线学线代去了）