学习地址B站上的【吴恩达机器学习】教程学习目标大概了解一下机器学习、监督学习、非监督学习1 定义机器学习是一门研究学科使计算机能够在不被明确编程的情况下进行学习的学科。2 生活中的应用在日常生活中人脸解锁、语音识别、输入法联想、地图路况预估、辅助驾驶、垃圾短信拦截、智能摄像头人形检测、医疗影像辅助筛查、支付反诈、音乐推荐等等方面都用到机器学习。3 两大范式监督学习和非监督学习是机器学习的两大范式。3.1 监督学习回归和分类是监督学习里最常见的算法。监督学习是数据同时包含输入x和输出标签y。垃圾邮件/非垃圾邮件、判断某个肿块是良性还是恶性等等属于监督学习3.1.1 回归基于带标注x→y的历史数据学习输入特征与输出结果之间的规律最终对全新输入预测出一个连续的数值结果回归流程输入一堆历史数据每组都有「输入 x 真实结果 y」算法算出一条最贴合这些数据的线直线还是曲线由数据本身的规律和你选的算法决定新来一个未知结果的 x沿着这条线找到对应的 y就是模型给出的预测值示例图中横轴 x 表示房子面积纵轴 y 表示房价红色叉号是已经收集好的真实数据点历史数据。这些红点并没有整齐地排在一条线上而是分散开的。图中画了两条蓝色的拟合线一条直线或一条曲线它们不会穿过每一个红叉只是尽量贴近所有红点从而抓住面积和房价之间的规律。现在来了一套新房子面积是 750 平方英尺需要预测房价是多少可以看到750对应的纵坐标是150所以最后预测出来的结果就是15万美元150k3.1.2 分类基于带标注x→y的历史数据学习输入特征与输出类别之间的规律最终对全新输入预测它属于哪一个互斥的离散类别。分类流程输入一堆历史数据每组都有「输入 x 真实类别 y」算法在特征空间里划出边界边界长什么样由数据本身的规律和你选的算法决定把不同类别的数据点划分到不同区域尽量让同类的点落在同一块区域新来一个未知类别的 x看它落在边界划分后的哪一块区域里这个区域对应的类别就是模型给出的预测结果示例图里的两个维度是为了方便画图做的简化真实图片特征维度非常多可以理解为从图片里提取出来的两类特征比如轮廓、纹理图上每一个点就代表一张图片红点代表猫蓝点代表狗都是已经打好标签的历史数据。这些猫、狗的数据点混在一起算法画出一条分界线不用做到完全没有点越界只是尽可能把猫和狗分开抓住两类数据的特征差异。现在来一张新照片提取特征后得到一个新的数据点这个点落在红点所在的区域模型就预测它是猫。3.2 非监督学习非监督学习是机器学习中使用最广泛的形式。数据只有输入x而没有输出标签y算法自己去挖掘数据内在结构、规律、分组。网上新闻自动分组给定客户数据数据库自动挖掘市场细分群体把客户划分到不同的市场分组里等等数据非监督学习非监督学习算法聚类、降维、异常检测