斯坦福机器学习课程笔记1

一，先提知识

1，计算机科学基础知识，基本技能以及原理
2，概论统计基础知识
3，线性代数基本知识
二，本课程目标

能够运用机器学习的算法解决实际问题
进行机器学习方面的研究
证明一些定理（比如邮编读取可达到99.9%的正确率）
三，使用工具

MATLAB或octave
四，在线资源

1，http://cs229.stanford.edu/
2，新闻组 http://su.class.cs229/
3，联系我们：cs229-qa@cs.stanford.edu
五，课程内容设置

四个部分：

1，监督学习

给算法提供了一组标准答案，算法学习标准输入和标准答案之间的联系，以尝试对于给定的其他输入提供更为标准的答案。
回归问题：即需要测量的变量是连续的。
分类问题：需要处理的变量是离散的，而非连续的。
案例1：通过房屋面积和售价的一组数据预算特定大小房屋面积下的售价。
案例2：算法预测一个肿瘤是否为恶性的。
2，学习理论

3，无监督学习

给一组数据，但是不告诉你关于数据的任何正确答案，从这组数据中找到有趣的结构
聚类：
案例：从嘈杂的声音中提取某个声音，文本处理，基因分组，图像像素分组进而创造3D世界
4，强化学习

不需要进行决策时使用，如何定义好的行为，坏的行为，强化学习的算法来尽可能获得更多的回报和更少的惩罚。
回报函数
案例：程序让直升飞机飞行，网页爬虫。