吴恩达Coursera机器学习 - Chapter 1 引言

Chapter 1 - 引言

机器学习的定义 —— Tom Mitchell

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

根据自己的理解，翻译成中文：
如果一个程序在某类任务T中，受性能指标P的度量，其性能值能随着经验值E的上升而不断提升，这个程序就能从与任务T和性能指标P相关的经验值E中学习。

疑问：学到后来发现，这个定义更像是对监督学习而不是所有机器学习的定义哈？监督学习的P很明显是所谓的J(θ)，无监督学习的P或许更隐晦吧。。。

机器学习应用领域

（一）数据库挖掘：

• 收集点击流数据，使用机器学习算法来分析；
• 利用电子医疗记录，更好的理解疾病；
• 计算生物学中，收集大量基因数据序列、DNA 序列分析
• 工程经验学习，机械中的无人操作等领域

（二）手写识别（图像识别）

• 识别信封从而自动选择路径

（三）更好的了解人脑，理解人类学习过程

机器学习的分类

主要分为监督学习和无监督学习。

监督学习

定义：给学习算法一个由“正确答案”组成的数据集，推知更多正确答案的过程。

※监督学习还可以分为回归问题和分类问题，划分标准是：“正确答案”是连续的还是离散的。
举例：通过近几年房价推测未来房价（连续值）为前者，通过肿瘤特征推测良性还是恶性为后者。

无监督学习

定义：仅给算法大量数据，让其从数据中找出某种结构。也就是说，这些数据没有任何标签或标签相同，让你标上标签（可能这样说片面了些，只针对类聚算法）。
举例：利用聚类算法，将个体聚类到不同类中。如，谷歌新闻分类，鸡尾酒宴中分离出不同人说话的声音。