【01】 机器学习(Standford)笔记01

【01】 机器学习的动机与应用

• 机器学习的应用
• 目标
• 起源
• 结构

1 机器学习的广泛应用

• Google 搜索及web网页评分喜用
• Facebook 和Apple的照片标记系统
• Spam email filter
• 手写识别，人脸识别
• 偏好问题（例如豆瓣的推荐，淘宝的推荐等）

---

2 起源-What

• Authur Samuel(1959)的定义：Field of study that gives computer the ability to learn without being explicitly programmed. 隐式地编程，完成我们需要计算机完成的任务。
• Tom Mitchell(1998)的定义

  　A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E．

其实机器学习很简单：一个程序包含如下

• 【经验学习】：如同人的学习一样，学习多了，经历E多了，就能调整自己适应这个社会。【训练样本的学习经验—E】
• 【目标】：完成某种任务T
• 【程序性能】：性能测试P（有相关的评价指标）

---

3 分类

• 有监督学习
• 无监督学习
• 强化学习
• 推荐系统

3.1 有监督学习

【训练样本有没有标签】：

• 回归问题：房价预测问题
• 分类问题：癌症分类

3.2 无监督学习

【训练样本不知道标签】：也就是只有训练样本在那，你自己学习获得Experience E，

• 聚类分析：癌症（不知道好坏），基因分类，鸡尾酒问题（声音的分离，不同麦克风采集到声音【可以运用ICA 算法】）
  ICA算法只要一行，但是花费了程序员好几年的时间，越是简单的算法，越是需要经历去创造。【这不像生活一样，精简的生活需要时间的修炼】
  ICA 算法代码：
  [W,s,v] = svd((repmat(sum(X . X , 1), size(X, 1), 1) . X) * X’);

3.3 强化学习

形象地比喻：如同训练小狗一样，好句给你东西吃（奖励），不听话，就不给你东西，让你挨饿（惩罚）。

• 控制小型飞行器的运行（难道大型的无人机也可以这样）
• 机器狗、机器蛇、机器小车、机器人等避开障碍物来行动【自己也完成这个该有多酷啊-学习学习】

3.4 推荐系统

例子：比如豆瓣猜！

Jeremy

2014.12.23

详细的参考笔记

​