机器学习基础概论-Github神经网络CTR-GCN

[中英字幕]吴恩达机器学习系列课程_哔哩哔哩_bilibili

https://github.com/fengdu78/Coursera-ML-AndrewNg-Noteshttps://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

机器学习个人笔记-目录

2021-12-15 Task Process 30/112

2021-12-16

监督学习

监督学习（supervised learning）的任务是学习一个模型，使模型能够对任意给定的输入，对其相应的输出做出一个好的预测。

我们的任务是根据数据集1建立一个预测模型（model），即学习算法（learning algorithm）。这个过程称为“学习（learning）”或“训练（training）”。

由于我们得到的学得模型只是接近了数据的某种潜在规律，因此被称为‘假设（hypothesis）’。相对应的，潜在规律自身则被称为‘真实（ground-truth）’。学习的目的就在于找到最好的‘假设（hypothesis）’。

• 分类问题（离散）
• 回归问题（连续）

• (a) 回归——给定一张人的照片，我们必须根据给定的照片预测他们的年龄

  (b) 分类——给定一个患有肿瘤的患者，我们必须预测肿瘤是恶性的还是良性的

• 当我们试图预测的目标变量是连续的时，例如在我们的住房示例中，我们将学习问题称为回归问题。当 y 只能采用少量离散值时（例如，如果在给定居住面积的情况下，我们想预测住宅是房屋还是公寓），我们称之为分类问题。

论文课题： 神经网络CNN 属于监督学习

无监督学习

非监督学习（unsupervised learning）为直接对数据进行建模。没有给定事先标记过的训练范例，所用的数据没有属性或标签这一概念。事先不知道输入数据对应的输出结果是什么。

自动对输入的资料进行分类或分群，以寻找数据的模型和规律。

聚类：收集 1,000,000 个不同的基因，并找到一种方法将这些基因自动分组到不同的变量中，这些组在某种程度上相似或相关，例如寿命、位置、角色等。

非聚类：“鸡尾酒会算法”，可让您在混乱的环境中找到结构。（即从鸡尾酒会上的声音网中识别个人声音和音乐）。

监督学习与非监督学习 - 知乎

GitHub 使用

梯度下降算法

Batch gradient descent（批梯度下降，BGD）

​​​​​几种梯度下降方法对比（Batch gradient descent、Mini-batch gradient descent 和 stochastic gradient descent）_天泽28的专栏-CSDN博客_几种梯度下降方式