机器学习第一周

1.引言
2.监督学习
3.无监督学习

目前存在几种不同类型的学习算法。主要的两种类型被我们称之为监督学习和无监督学习。监督学习这个想法是指，我们将教计算机如何去完成任务，而在无监督学习中，我们打算让它自己进行学习。

一、监督学习
监督学习指的就是我们给学习算法一个数据集。这个数据集由“正确答案”组成。
回归问题：
Eg.帮朋友卖房子，在充分数据集的基础下对散点数据进行拟合——直线和二次方程两种方法，得到了不同的结果。比如你朋友那个新房子的价格。用术语来讲，这叫做回归问题。我们试着推测出一个连续值的结果，即房子的价格。房子价格本身是离散值，然而我们把它看成连续值。
回归这个词的意思是，我们在试着推测出这一系列连续值属性。
分类问题：
Eg.通过乳腺肿瘤的大小（tumor size）来判断良性（0）还是恶性（1）。还是有一定的数据集，然后根据这个来判断朋友乳腺肿瘤的良性恶性。估算其良性还是恶性的概率就是机器学习的问题。
分类指的是，我们试着推测出离散的输出值：0或1良性或恶性，而事实上在分类问题中，输出可能不止两个值。比如说可能有三种乳腺癌，所以你希望预测离散输出0、1、2、3。0 代表良性，1 表示第1类乳腺癌，2表示第2类癌症，3表示第3类，但这也是分类问题。

在一些问题中，很多时候不止仅仅需要考虑一个特征，比如肿瘤的良性恶性与否是多种因素决定的，包括年龄、肿瘤细胞的大小和形状的一致性等等，要考虑多个特征。
我们以后会讲一个算法，叫支持向量机，里面有一个巧妙的数学技巧，能让计算机处理无限多个特征。

这节课我们介绍了监督学习。其基本思想是，我们数据集中的每个样本都有相应的“正确答案”。
再根据这些样本作出预测，就像房子和肿瘤的例子中做的那样。我们还介绍了回归问题，即通过回归来推出一个连续的输出，之后我们介绍了分类问题，其目标是推出一组离散的结果。
自己总结：监督学习的基本思想；
其两类问题：回归问题、分类问题。它们的最大区别：要求的输出是连续性的输出结果（由连续性推导的）还是离散出的结果（x与y轴没有相关性关系）。

监督学习的小测验：
假设你经营着一家公司，你想开发学习算法来处理这两个问题：
1.你有一大批同样的货物，想象一下，你有上千件一模一样的货物等待出售，这时你想预测接下来的三个月能卖多少件？
2.你有许多客户，这时你想写一个软件来检验每一个用户的账户。对于每一个账户，你要判断它们是否曾经被盗过？
那这两个问题，它们属于分类问题、还是回归问题?

二、无监督学习
与监督学习的区别：监督学习的数据集是根据一些情况被标记过的，例如肿瘤是良性还是恶性，良性与恶性即被标记。在无监督学习中，数据集没有被标记（应该就是分类的意思，无差别），就是数据集本身而已，没有标签。
无监督学习就能判断出数据有两个不同的聚集簇。这是一个，那是另一个，二者不同。是的，无监督学习算法可能会把这些数据分成两个不同的簇。所以叫做聚类算法。
Eg1.聚类应用：在谷歌网站上，利用聚类应用，将海量的新闻进行分类，自动归为一类并且显示出来。
Eg2.聚类算法和无监督算法：输入不同个体的DNA，分析每个个体是否有一个特定的基因（基因的相似部分），并分类，然后按照不同的特定分为一组。（前提并不知道这个类别的名字是什么，而是仅仅按照分析基因的结果进行分类）——我们不知道这些无差别数据里面有什么、可以分为什么类别。就是说你要自动地聚类那些个体到各个类，我没法提前知道哪些是哪些。因为我们没有给算法正确答案来回应数据集中的数据，所以这就是无监督学习。

无监督学习或聚集有着大量的应用。它用于组织大型计算机集群。聚类只是无监督学习中的一种。
Eg.鸡尾酒聚会中，有很多人在同时说话，放置两个麦克风在不同的位置，并分析出输出的总录音环境，将他们分开，分析出不同的人说出来的话在不同的麦克风中的输出。
当你使用正确的编程环境，许多学习算法是相当短的程序。
在用matlab这样的软件先搭建好原型后再移植到java或c++中会比直接用c++等实现的更快。
我们介绍了无监督学习，它是学习策略，交给算法大量的数据，并让算法为我们从数据中找出某种结构。