coursera课程 machine learning 笔记 （一）

课程讲师：Andrew Ng 吴恩达（斯坦福教授，百度首席科学家）
课程地址：https://www.coursera.org/learn/machine-learning/lecture/1VkCb/supervised-learning

（注：括号里基本上是我自己的理解，如有错误请指出，勿喷，少男身少女心，谢谢。）

首先对简单说说我对人工智能的认识：人工智能的本质之一是预测，就是通过学习之后通过建模，然后再利用所得的模型来预测或决策未知的数据。

Supervised learning 监督学习（又分回归和分类）：它理解为，我们给算法一些已有的样本（此处为：一些房子的面积和其对应的价格），算法从中学习一组模型（通俗点，可以说是规律吧），然后算法利用这个学习到的模型来预测未知数据（大意为：我们再给算法一个房子面积，它给我们预测出房子可能的价值）。（回归好像属于监督的一种）。

（这是我前一阵子数据挖掘考试背的监督学习的定义，不知道记错了没）：监督学习，利用一组已知的样本（即为给定的数据集：输入集，和它们对应的结果：正确的输出集）来调整挖掘器（忘了是不是这个器）的参数，使其达到性能最优的过程。

（概念可以结合下面例子来看。）
（一些（叫的）专业术语的概念：

离散变量：是指其数值只能用自然数或整数单位计算的则为离散变量.例如,企业个数,职工人数,设备台数等,只能按计量单位数计数,这种变量的数值一般用计数方法取得.。
反之,在一定区间内可以任意取值的变量叫连续变量,其数值是连续不断的,相邻两个数值可作无限分割,即可取无限个数值（例如：我可以取1，也可以取1.1，1.11，1.2，1.21···，）.例如,生产零件的规格尺寸,人体测量的身高,体重,胸围等为连续变量,其数值只能用测量或计量的方法取得。
回归问题：预测的结果是一个连续变量（又叫连续值）的问题（注意：在一些预测结果是实际值的时候，虽然结果不能无限分，可是它的结果有很多很多；例如一个淘宝店还有几千件产品，预测它三个月能卖多少件货物，这一例子在原视频里讲到了，，，，我还是只好（谁叫它太多了）把它当成一个回归问题了）。
离散问题：应该也可以叫分类问题，指预测的结果是一个离散变量（离散值）的问题。
）

例子（回归问题）：

X：房子面积 Y：房子价钱

问题描述：
看图应该可以领会。

问：
用学习算法帮你预测你（750m2）的房子能卖多少？（预测的结果：房子的价格（是连续值））
一种情况：你给学习算法的模型是一条直线（尽可能多的穿过平面上的点）：得出价钱大概为150
还可以：你给学习算法的模型是曲线（平方函数：二次多项式函数）（同样尽可能多的穿过点）：得出价钱大概200

两种算法都能得到一个结果，但是结果又不同，我们该选择哪个算法更好呢？（视频还没讲到<额！>这里主要介绍无监督学习具体是什么）

下一个例子(离散问题)：

问题描述：
我们用算法来判断医学上肿瘤是否是恶性的，而我们判断的依据（特征）为：肿瘤的大小。
如图，我们给定一些样本，算法通过拟合（匹配，类似于上一问题的直线尽可能的穿过样本点）来训练出一个模型（规律），然后利用这个模型来预测一个新的数据的结果（给一个新的肿瘤块的大小，来预测它是否恶性或者良性。）
（注：不要纠结于肿瘤块的大小与肿瘤是否恶性的关系，也许肿瘤大，但我是个好肿瘤呢）
（预测的结果：肿瘤是良性、肿瘤是恶性（是离散值））

在更复杂的问题里也许会有更多的特征（如：病人年龄、肿瘤形状等），更多的结果（无肿瘤，1号肿瘤，2号肿瘤等），如下图：

这时我们会让算法将样本分类（如图）。然后需要预测的数据在哪个类别中，算法就会给出相应的预测结果。

转载请注明出处。