机器学习-吴恩达教授

 Week1  Class 1--机器学习简介

目录

 Week1  Class 1--机器学习简介

1 机器学习定义

1.1 监督学习 Supervised learning

1.2 无监督学习 Unsupervised learning

2 线性回归模型

2.1 线性回归模型

2.2 代价函数模型

---

1 机器学习定义

1.1 监督学习 Supervised learning

定义：提供学习算法示例以供学习

正确答案：对于给定输入x和正确的标签y，通过观察输入x和标签y正确配对。

过程：输入示例x和正确答案y来训练

        学习之后，采用新的输入x，产生对应的y

监督模型实例：提供一个数据集，提供正确答案即标签价格y

分为两个类型：回归(Regression) 和 分类(Classification)

回归：从许多数字中预测一个无限接近数字，有无穷种可能

分类：分为0和1 或错与对  预测一个范围内的类别结果，有限种可能 

1.2 无监督学习 Unsupervised learning

区别：不试图监督算法

定义：数据只有输入x  没有输出标签y。将没有标记的数据集放入不同集群中

主要类型：聚类算法(Clustering)  异常检测(Anomaly detection)  降维(Dimensionality reduction)

聚类：将相似数据分为一组

异常检测：用于检测异常的事件  eg:异常交易  诈骗

降维：将一个大数据集压缩成小数据集，尽可能少丢失信息

2 线性回归模型

2.1 线性回归模型

 是一种特殊类型的监督学习，被称为回归模型，预测数字作为输出。

下面是常用的机器学习术语：

x：输入变量，特征值(features)

y：输出变量，目标值(targets)

m：训练样本的个数

(x,y)：单个训练样本

：表示第i个训练样本  i不是平方，是训练的样本数

：表示对y输出值的预测

 ：这个函数意味着f是一个以x作为输入的函数，根据w和b的值，f将输出预测y-hat的某个值。

这是具有一个变量x的线性回归，只有一个输入变量或者特征值。

成本函数的思想：是机器学习中最普遍和最重要的思想之一，用于线性回归和训练人工智能模型。

图2.1  线性回归模型不同展现形式

2.2 代价函数模型

训练集的直线有无数种，如何找出 与训练数据最拟合的线 还不明确，于是本节就来介绍 代价函数(cost funtion)。在机器学习中，代价函数用于 衡量模型的好坏，最简单、最常用的代价函数是“平均误差代价函数”(Squared error cost function)：

m：训练样本的总数

：第 i 样本的真实目标值。

：对 i 样本的预测目标值，即f(x)的取值

的值为代入x值后公式的结果， 的值为红色八叉显示的值

最小化代价函数目的：选择一个w的值使得J代价为最小值 （上图仅仅使用w简化问题）

图2.2 可视化代价函数 (包含w、b)