吴恩达机器学习——入门篇

作为一个新手，入门机器学习，你首先需要知道机器学习的定义，机器学习的作用，机器学习具体有哪些内容以及目前机器学习研究的现状。话不多说，具体介绍如下。

什么是机器学习？

 明确什么是机器学习，这会让你的工作事倍功半。

 机器学习广泛的定义是机器模拟或实现人的学习行为，从外界吸收新的知识，并更改组织自己已有的知识结构，从而不断的完善自己。他不是一门全新的学科，他是对已有学科的一种融合，是一门多领域交叉学科，他涉及统计学，概率论、逼近学、算法理论等多门学科。

 

机器学习有什么研究意义？

学习行为是人的一种至关重要的生存本领，但究竟什么是学习，至今仍然很难有明确的定义。

但是如果让机器能拥有人一样的学习行为，不断的对自己进行完善，那么现阶段很多事务可以变得轻松和高效，比如你不想收到垃圾邮件，那么机器可以帮你智能过滤垃圾邮件，如果雇佣员工来做这件事，那么效率和花费可想而知。如果机器可以模仿人的行为，那么你可以不要再为洗衣拖地等家务事进行烦恼，机器人能帮你完成一切，你不需要额外雇佣保姆，也不用担心保姆的偷懒问题，机器人能高效的完成这些。当机器学习应用到医疗上面，那么医生的任务将要大大减轻，机器会自动识别患者的疾病并且给出合适的治疗方案，它也可以应用到金融方面，进行信用卡的风控和逾期预测等等，只要现在需要人的地方，机器学习都可以有所作为。

 

机器学习的发展历史？

机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。

第一阶段是在20世纪50年代中叶到60年代中叶，属于热烈时期。

第二阶段是在20世纪60年代中叶至70年代中叶，被称为机器学习的冷静时期。

第三阶段是从20世纪70年代中叶至80年代中叶，称为复兴时期。

机器学习的最新阶段始于1986年。

 

机器学习的分类？

 

机器学习目前可分为四类： 有监督的学习、无监督的学习、深度学习、强化学习。

 

监督学习意指给一个算法，需要部分数据集已有正确答案，比如给定房价数据集，对于数据集中每个数据，算法都知道对应的正确房价。算法的结果是算出更多正确的房价结构，

监督学习又分类回归问题和分类问题：

回归问题：意值要预测一个连续值的输出，比如房价。

分类问题：意值要预测一个离散值的输出，比如预测一个人的肿瘤恶化与否和肿瘤大小的问题。

 

无监督的学习：给定一组数据集，不给顶具体的属性或者标签，算法自动找到数据集的结构进行聚类。

无监督学习分为聚类和降维：

聚类算法：算法自动根据对象的类似程度将数据集组成多个类的过程。比如根据文章类别，自动将报道同一事件的文章归为一类。（将报道高考的文章组合成一个类，当你看某篇关于高考的文章时，推送类似的高考文章）

降维：采用某种算法，自动将高维空间中的数据节点映射到低维空间。比如包含两个人说话的声音文件中分理出某个人的声音。

 

深度学习：通过建立具有阶层结构的人工神经网络（Artifitial Neural Networks, ANNs），在计算系统中实现人工智能。

 

强化学习：强化学习（Reinforcement Learning, RL），又称再励学习、评价学习或增强学习，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题

 

下一章我将介绍监督学习中的回归问题，并实现第一个机器学习算法，线性回归算法。