机器学习（一）绪论、算法总结

经验E在任务T上有提高评价P

分类

一级类别		二级类别	特点
监督学习	人们教计算机学习	回归（数据连续） 分类（数据离散）	需要预测目标变量： 数值型数据 或 类别型数据
无监督学习	计算机自己学习	密度估计 （与分组的相关联程度） 聚类 （划分为分组）	不需要预测目标变量
强化学习

算法总结

一级类别	二级类别	三级类别
回归	线性回归	一元线性回归
		多元线性回归
分类	二分类
	多分类

注意：多分类、多特征（多维）的区别

如何选择算法

1. 缩小算法的选择范围。
   是否需要预测目标变量的值–>选择“监督学习”？“非监督学习”？–>再进一步选择分类or回归？聚类or密度估计？
2. 尝试多种算法的执行效果。对于每种算法，都可以改进提升。

数据集

	特征1	特征2	…	目标变量
实例1
实例2
实例3

$m$：样本数，$n$：特征数
$(\mathbf{x},y)$：样本集
$(x^{(i)},y^{(i)})$：第$i$个样本，$i=1,2,...$

例子

不能人工编程实现：CN、NLP、手写识别
鸡尾酒聚会算法：分离一个音源的多种声音
新闻聚类：多个类似主题的新闻聚类展示，并自动得到一个“主题词”