2021-08-01

机器学习定义

机器学习没有一个确定的定义

Arthur Samuel将机器学习定义为：在没有明确设置的情况下，使机器具有学习能力的研究领域。

Tom Mitchell这样定义机器学习：一个适当的学习问题定义如下：计算机程序从经验E中学习，解决某一任务T，进行某一性能度量P，通过P测定在T上的表现因经验E而提高。

监督学习

定义

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。

回归问题和分类问题

监督学习中有两类基本问题，回归和分类

回归问题：假设你的朋友买了一个新房子，我们给了一系列房子的数据，并给定数据集中每个样本的正确价格，即它们实际的售价，然后运用学习算法，算出更多的正确答案，比如你朋友那个新房子的价格。总结来说，回归问题就是通过回归来推出一个连续的输出。

分类问题：假设一个事件有五种情况，则可将这几种情况设为0，1，2，3，4，一个人处于此事件中，运用学习算法来估算处于某种情况的概率。总结来说其目的是推出一组离散的结果。

无监督学习

定义

在无监督学习中，我们已知的数据不同于监督学习的数据的样子，无监督学习中没有任何的标签或者是有相同的标签或者就是没标签。所以我们只知道一个数据集，但不知道如何处理。

针对数据集，无监督学习能判断出数据有不同的聚集簇。他们之间是不同的，无监督学习算法可能会把这些数据分成几个不同的簇。所以叫做聚类算法。

聚类应用的一个例子就是在谷歌新闻中。谷歌新闻每天都在收集非常多的网络的新闻内容。它将这些新闻分组，组成有关联的新闻。所以谷歌新闻做的就是搜索非常多的新闻事件，自动地把它们聚类到一起，然后把同一主题的显示到一起。

鸡尾酒宴问题

假设在一个鸡尾酒宴上，很多人都在说话，彼此的声音重叠，现在我们指定两个人，放两个麦克风在房间中，因为这两个麦克风在两个地方，离说话人的距离不同，所以每个麦克风记录下不同的声音，虽然是同样的两个说话人，但听起来像是两份录音被叠加到一起。

我们可以使用一个无监督学习算法来分离音频分别输出，或者将分离出来的音频合并输出

总结

第一节的知识点主要是一些定义和概念，注意理解吸收即可