【Machine Learning, Coursera】机器学习Week1 Introduction

I. Introduction

1. What is ML

对机器学习的准确定义仍存在争议，Ng提到了两种尝试性定义：

• Arthur Samuel(1959): Field of study that gives computers the ability to learn without being explicitly programmed.    在没有明确编程的情况下，给予计算机自学能力的研究领域
• Tom Mitchell(1988): A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T , as measured by P, improves with experience E.     计算机程序通过经验E，提高了处理任务T的绩效（用P衡量），那么我们称该计算机程序从与任务T和绩效指标P有关的经验E中学习

             Example：垃圾邮件(spam)归类

                         E——观察用户是否将邮件归类垃圾邮件

                         T——将邮件按照垃圾/非垃圾邮件归类

                         P——归类的正确率

 

2. ML Applications

• 搜索引擎的内容排序
• AI
• 数据库挖掘（网络点击数据、电子医疗记录、人类基因库等）
• 仅通过手动编码无法实现的项目（自主飞行直升机、计算机视觉、自然语言处理等）
• 用户自定制程序（淘宝/网易云音/B站等的推荐系统）
• ……

 

3. ML Algorithms

机器学习的主要类型包括监督学习和无监督学习，这两种类型也是本课程的讲解重点。其中，监督学习的输入数据集有标签（示例中的y），在程序运行前就可对输出结果有大致的掌握，而无监督学习的输入数据集无标签，只有数据集属性（示例中的X），且输出结果不可预测。

3.1 Supervised Learning 监督学习

   -Regression: mapping input variables(X) to some continuous function(y)     将X映射到连续序列y
        eg: (X,y)=(房屋面积，房价)
   -Classification: mapping input variables(X) to discrete categories(y)    将X映射到离散序列y
        eg: (X,y)=(肿瘤大小，是否为恶性肿瘤)

3.2 Unsupervised Learning 无监督学习

   -Clustering: clustering the data based on relationships among the variables(X) in the data    通过对象之间的相似性将对象分类
        eg: 给出用户数据，自动发现市场分割并将用户归类 X=(年龄，性别，职业等)
   -Non-clustering
        eg: Cocktail party problem 鸡尾酒会问题：如何让机器学会在嘈杂的环境中区分出人声？

3.3 Others

    -Reinforcement Learning    增强学习
    -Recommender Systems    推荐系统