机器学习入门笔记(一):基础概念的学习

最近由于工作需要,于是趁此机会学点新的东西,机器学习在各行各业都是很好的工具,以后做不动it了也好有个转行的基础(玩笑话)。

1. 基础概念。

机器学习是从最初的人工智能研究中兴起的,其实也就是一种算法 — 具有学习能力的算法,是一种解决问题的工具。我个人理解与普通算法的不同是:普通算法程序是固定写死的,只能一步一步走下去,而学习型算法则可以根据不同的输入自动更改运行的流程(不是简单的if-else),得到我们需要的结果。其实具体的应用在我们现实生活中已经有了很多,购物网站的个性推荐,垃圾邮件的识别,无人驾驶的汽车飞机等等,只是我们作为用户没有去关心其底层的实现,只关注其上层呈现的效果。

2. 我学习这门课的目标:

  • 理解机器学习.
  • 应用机器学习解决实际问题.

3. 一些先行课程:

  • 线性代数– 矩阵的运算,统计学等基础数学学科。

4. 机器学习定义:

Experience E 经验E

Task T 任务T

Performance 性能测量方法P

机器学习:一个程序在E的影响下,使得P对T的测量结果得到期望的改进,就好像程序从E中学到了改进自己的方法。

5. 机器学习大致学习流程:

监督学习

  • 分类问题 -> 向量机 -> svm ->存在潜在的具体的分类,变量为离散的。如:0和1,好与坏,肿瘤的良恶预测等 。
  • 回归问题->有确定的‘标准答案’,变量为连续的。如根据房价的影响因素预测房价。

学习理论

  • 将机器学习如何应用到实际问题的解决上。

无监督学习

  • 聚类算法 -> 图像识别处理,像素聚类 -> 没有标准答案,没有预先分类,通过无监督学习将具有相同属性的聚合分类。

深度学习

  • 回报函数的问题.

以上只是对机器学习基础概念以及学习流程的一个大致梳理,是笔者学习完斯坦福大学cs229公开课的个人理解,仅作为自己的备忘学习笔记。

再者我不会在文中照搬很多复杂的算法推理过程或者公式,更看重的是实际例子的应用,其中会穿插我对算法的个人理解。我不是机器学习这个工具的制作者,而只是为了学会使用这个工具,就好比木匠会用锤子,而制作锤子却是铁匠的事。

发表评论

电子邮件地址不会被公开。 必填项已用*标注