机器学习P1.1~2.2学习记录

1.Tom Mitchell提出机器学习的定义：

   计算程序从经验E中学习，解决某一任务T，这个效果的好坏用性能用P来衡量。通过P测定在T上表现因经验E而提高。

  例：对于跳棋游戏，经验E就是程序与自己下几万次跳棋，任务T就是玩跳棋，性能度P就是与新对手玩跳棋时赢的概率。

2.机器学习分为：

——监督学习

——无监督学习

——其他包括：增强学习、推荐系统

3.监督学习（每个样品都被明确标明，被清楚的告知了“正确答案”与“错误答案”）

  给算法一个数据集，其中包括了正确答案，例：

  第一种：一个房价数据集，其中每个样本给出正确价格。算法的目的是给出更多正确答案。

此种问题也可以叫做（1）回归性问题，即预测连续的数值输出。【设法预测连续值的属性】

  第二种：机器学习来检查肿瘤的良性和恶行概率。算法的目的是给出更准确地判断。

此种问题也可以叫做（2）分类问题，即设法预测离散值。【可能会有更多类型】

  一些算法不仅能处理两个三个或五个特征，而是能处理无穷多特征。

4.无监督学习（没有相同标签或都没有标签，数据集不知道可以做什么，每个数据点是什么，只有一个数据集）

  其中第一种：聚类算法：无监督学习判定数据集包含多个不同的簇。

  聚类算法实例：一个新闻事件搜索上万条新闻，然后自动将他们分簇成有关同一个主题的新闻。

  我们只是告诉算法这有一堆数据，未知数据是什么，未知数据类型，甚至未知有哪些类型，但能自动找出这些数据的结构，能自动按得到的类型把这些个体分簇。

实例补充：

（1）组织大型计算机集群

（2）社交网络分析

（3）市场分割

（4）天文数据分析

  其中第二种：鸡尾酒算法（找出数据的结构—>分离出混合声音，并且输出单个声音）

  问题简述：两个人面对两个话筒讲话，两个话筒同时接收两个人讲话的混合音，通过无监督算法分离出距离话筒更近的单个人说