【Machine Learning notes（机器学习笔记-001）】

coursera: 

【1】https://www.coursera.org/learn/machine-learning/home/welcome

【2】http://cs229.stanford.edu/

【3】http://open.163.com/movie/2008/1/M/C/M6SGF6VB4_M6SGHFBMC.html

1）机器学习定义

机器学习的定义 
Arthur Samuel (1959). Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed. 
Tom Mitchell (1998) Well-posed Learning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P,
improves with experience E.

2）本节课程学习重点：

机器学习的动机与应用；Logistics类；机器学习的定义；监督学习概述；学习理论概述；非监督学习概述；强化学习概述

本课内容主要分为四个部分：Supervised Learning（监督学习）、Learning Theory（学习理论）、Unsupervised Learning（非监督式学习）、Reinforcement Learning（强化学习）

3）监督学习（Supervised Learning） 

之所以被称为”监督学习”，是因为我们在“监督”问题的算法，换句话说，会给出一组“标准答案”。 

下面给出两个监督学习的实例。 

首先是一个房子价格预测的例子，收集的部分数据集如下： 



通过上面的数据集，可以绘出一个图，横坐标是占地面积，纵坐标是价格，根据这些数据，可以根据不同的方法拟合出不同的直线。



然后可以根据一直的房子占地大小，来预测房屋的价格。

下面是一个分类的问题，根据肿瘤的大小来预测乳腺癌的良性或劣性。 


 

说明：“X”表示肿瘤为良性，“O”表示肿瘤为劣性。 


 

表示不同年龄的人和不同肿瘤大小组成的数据，“X”表示肿瘤为良性，“O”表示肿瘤为劣性。可以通过一个算法将其分成两类。

这只是一个线性二维的问题，如果有多维数据呢？后面说的SVM（支持向量机）就可以用来处理高维数据。

4 ）非监督学习（UnSupervised
Learning）

首先看看下面这个图 



非监督学习事实上就是聚类，将许多的数据或是杂乱无章划分成相似的多个类别。

例如：将鸡尾酒会上混乱无章的多种声音区分出来。

5）Reinforcement Learning（强化学习）

是一种评价式的学习方式，基于回报函数。

参考：http://blog.csdn.net/Dream_angel_Z/article/details/45932185