Coursera 机器学习 第一周 学习笔记

What is machine learning（什么是机器学习）

Arthur Samuel (1959). Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed.(机器学习：使计算机在不显式编程的情况下自主学习的能力的研究领域。)

Tom Mitchell (1998) Well-posed Learning Problem: A computer program is said to learnfrom 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. （一个计算机程序据从一些任务T和一些性能度量p中学到经验E，如果它在T上的性能，用P来衡量，则其将不断吸取经验E来改进其程序。）

机器学习的算法的类型：

• Supervised learning（监督学习）

  通过生成一个函数将输入映射为一个合适的输出（通常也称为标记，多数情况下训练集都是有人工专家标注生成的）。训练集是标记的 。

• Unsupervised learning（非监督学习）

  与有监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类。训练集是未标记的 。

---

Supervised learning（监督学习）

监督学习主要会提供一些标注样本，分为两大问题：回归和分类

教学案例1：房屋价格预测-回归(Regression): 预测连续的输出值（价格)

---

教学案例2 ：乳腺癌（良性，恶性）预测问题-分类(Classification): 预测离散的输出值(0, 1)

Unsupervised learning（非监督学习）

常见的无监督学习算法有聚类。
监督学习和无监督学习的对比，看图更形象：

---

单参数线性回归 Linear Regression with one variable

以房价为例：

---

---

利用监督学习当中的回归算法来解决房价问题

---

如何设置 h （预测函数），就是我们需要找到的复合所给数据条件的线性回归算法。

我们通过损耗函数来分析所给的ｈ（预测函数）的优劣性。：当然，损耗函数的值越小，说明预测函数越优越。

---

如何找到使得损耗函数的值最小的方法，本课推荐了梯度下降法（gradient descent）。

---

Gradient descent 梯度下降算法，可用于寻找最优解

梯度下降法与线性回归两者结合：