小冯机器学习第一天
吴恩达机器学习
第一天:
1. 什么是机器学习?
计算机程序从经验E中学习,解决某一任务T,进行某一性能度量P,通过P测定在T上的表现因经验E而提高。
那么,我们对这段话来两个例子进行一个通俗的讲解。
*1.*Samuel制造了一个玩跳棋的程序,但他自己并不是一个跳棋高手。在这里,他通过让程序与自己对弈数万次,通过观察哪些布局容易赢,哪些布局容易输。于是一段时间后,按照剧情的发展,这个跳棋程序很nb了。
那么这很明显是跳棋程序一个机器学习的过程。于是,我们将其带入定义,得到
定义 | 实例 |
---|---|
经验E | 程序和自己上万次对弈的经验 |
任务T | 进行跳棋游戏 |
性能度量P | 与对手玩跳棋的胜率 |
2. 两种学习算法
1. 监督学习
- 博主自己的理解就是,我们给与机器一组带正解的数据集,当然有的人也称作是带标签的数据集,然后让机器根据这组数据集给出更多数据的对应正解或者是标签。
- 举个例子
这是一张不同规格房子的市场价格,这里的价格就是博主所说的正解或是标签,我们把这组数据集交给机器,机器试着用一条曲线或者直线经过最多的“×”,例如第二张图里机器就可以告诉我们750对应规格的房子价格,当然,数据越多,机器给我们的数据就能更准确。
相应的,还有比如我们有一组在不同状态下的肿瘤是良性还是恶性的数据集,我们交给机器,机器能推测出某种状态下肿瘤的良性还是恶性,记住这个加粗的内容,就是这组数据集的正解或是标签。
监督学习又可以分为两大类,我们根据给出的正解或者标签简单的做出区分:
- 回归问题==>>正解和标签是一串连续的值,比如上述的房价,是大致可以连起来的一条线
- 分类问题==>>正解和标签是一组或多组离散值,比如我们定义肿瘤的恶性是1,良性是0,那么0和1我们可以明显看出来他们是离散的,不存在连续的什么0.1,0.2这些数值的,是吧,各位!哈哈哈!打累了,放松放松
2. 无监督学习
这个咱们可以利用监督学习的定义来进行了解,博主觉得这样会更轻松也更容易理解
之前咱们不是说了监督学习要求数据集包含正解或者是标签吗,那么无监督学习就是不包含这些的数据集,让机器自己去得出正解或者标签。
- 咱们继续开始无厘头的举例子环节
-
这是一组人际关系图,我们倘若知道了每个人的社交圈。那么机器是否便可以能知道哪些人是一个圈子的,或者判断哪些人是认识的?
那我们都知道每个大公司都有属于自己的客户信息数据库,那么对于一个客户信息数据集,机器是否能自动找出不同的市场分割?
- OK,我们知道是可以的,那么这就是无监督学习的一些应用,准确的说呢,是无监督学习中的一类==>>聚类学习的应用。
- 那么,我们顺势讲一下另一种==>>鸡尾酒会算法
鸡尾酒会算法的名字来由便是在一个鸡尾酒会上,面对同一时间的多个声音,如何把他们细分并且拆解下来变成单独的一个人的声音
通过上面的介绍,我们可以知道,这个算法其实本质上实现的就是音频分离的问题。当然,吴老师给了我们一个简单的代码,便让我们实现了这个复杂的程序
- 后话
这是用的octave的环境下的代码,根据视频的讲解,octave是个很简便的环境,当然我也看到好多弹幕说这是18年的情况,20年的当下python已经很强大了,我目前在学习中学长学姐也说不必看octave的知识了,各位自己借鉴啊。
那么,拜拜各位!