Google---机器学习速成课程(一)-基本概念

1. 介绍机器学习

• 了解掌握ML优势
• 理解ML背后理念

-----------------------------------------------------------------------

2. 框架处理

探讨如何将某个任务构建为ML问题，并介绍各种ML方法中通用基本词语。

监督学习supervised learning

-------------------------------------------------------

标签label

在简单线性回归中，标签是我们要预测的事物，即 y 变量。

标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。

-------------------------------------------------------

特征feature

在简单线性回归中，特征是输入变量，即x变量。

简单的机器学习项目可能会使用单个特征，而比较复杂的机器学习项目可能会使用数百万个特征。

例：在垃圾邮件检测器示例中，特征可能包括：

• 电子邮件文本中的字词
• 发件人的地址
• 发送电子邮件的时段
• 电子邮件中包含“一种奇怪的把戏”这样的短语。
• -------------------------------------------------------

样本

样本是指数据的特定实例x。（我们采用粗体x表示它是一个矢量。）我们将样本分为以下两类：

• 有标签样本
• 无标签样本

有标签样本同时包含特征和标签。即： labeled examples: {features, label}: (x, y)

我们使用有标签样本来训练模型。在我们的垃圾邮件检测器示例中，有标签样本是用户明确标记为“垃圾邮件”或“非垃圾邮件”的各个电子邮件。

无标签样本包含特征，但不包含标签。即：unlabeled examples: {features, ?}: (x, ?）

在使用有标签样本训练模型后，使用该模型来预测无标签样本的标签。

例：在垃圾邮件检测器中，无标签样本是用户尚未添加标签的新电子邮件。

-------------------------------------------------------

模型modle

模型定义了特征与标签之间的关系。例：垃圾邮件检测模型可能会将某些特征与“垃圾邮件”紧密联系起来。

我们来重点介绍一下模型生命周期的两个阶段：

• 训练表示创建或学习模型

• 推断表示将训练后的模型应用于无标签样本

• -------------------------------------------------------
  

回归与分类

• 回归模型可预测连续值
• 分类模型可预测离散值

-------------------------------------------------------

3. 深入了解ML

线性回归是一种找到最适合一组点的直线或超平面的方法。本节会先直观介绍线性回归，为介绍线性回归的机器学习方法奠定基础。

（1）线性回归

对于简单的线性回归，关系写下来为：y = mx + b

其中：

• y y是我们试图预测的值。
• mm是直线的斜率。
• x x是输入特征的值。
• b b是y轴截距。

按照机器学习惯例，需要写一个存在细微差别的模型方程式：y' = b + w1x1

其中：

• y′ y'是预测标签（理想输出值）。
• b  b指的是偏差（y轴截距）在一些机器学习文档中，它称为w0w0。
• w1w1指的是特征1的权重。权重与上文中用m表示的“斜率”的概念相同。
• x1x1指的是特征（已知输入项）。
• -------------------------------------------------------
  
• （2）训练与损失

简单来说，训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值。

监督式学习中，ML算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型；这一过程称为经验风险最小化。

损失是对糟糕预测的惩罚。也就是说，损失是一个数值，表示对于单个样本而言模型预测的准确程度。如果模型的预测完全准确，则损失为零，否则损失会较大。

训练模型的目标：从所有样本中找到一组平均损失“较小”的权重和偏差。

平方损失：一种常见的损失函数loss function

平方损失（又称为 L₂ 损失）的损失函数，单个样本平凡损失如下：

  = the square of the difference between the label and the prediction
  = (observation - prediction(x))2
  = (y - y')2

均方误差 (MSE ) 指的是每个样本的平均平方损失。要计算 MSE，请求出各个样本的所有平方损失之和，然后除以样本数量：

虽然MSE常用于ML，但它既不是唯一实用的损失函数，也不是适用于所有情形的最佳损失函数。

-------------------------------------------------------

以上整理转载在谷歌出品的机器学习速成课程点击打开链接 侵删！