[Coursera] 机器学习入门

@斯坦福公开课 Machine Learning 学习笔记

基本思想

机器学习（machine learning）是一种方法或算法，它能够通过“学习”，来解决一些特定的问题。

接下来，我将以具体的实例，阐述机器学习的产生和设计过程。

以认人识物为例，只要你告诉一个之前不知道苹果的人“这是苹果，那是苹果，那也是苹果”，当你再拿一个新的苹果，问他是什么，他便能够回答出“这是苹果”。

这对于人来说，是一个很自然，不需要什么努力就能完成的任务，但这对机器却不是。如果要让机器能够认出这个苹果，我们要先思考 “我们人，是怎么认出这个苹果的”。

将认苹果的过程抽象出来，我们可以得到以下过程：

即人眼看到苹果，获取苹果的图像传递给大脑，大脑对图像进行判断，得出结果。将此过程再抽象扩展，我们得到更一般的过程。

即给定一个或多个输入，通过一个处理器处理，得到一个或多个输出。

此即人对此类问题处理方法的概况，也即“人是怎么认出苹果来的”。同时，这个过程也给了我们要让机器认出苹果的方法。即解决两个问题：

1. 如何获取输入
2. 如何处理输入，并给出输出

不同的问题有不同的获取输入的办法，以认苹果为例，利用数码照相机对苹果成像得到照片（即一系列像素）即可作为输入。通常来说，输入的获取较为容易（当然也不全是这样），而处理部分则相对困难。

对于处理，也有很多不同的办法，其主要思想在于构造一个函数，能够将不同输入映射到不同的输出上去。

然而我们不可能针对每个问题都设计一个算法，认苹果一个，认桃子一个这样做，我们需要让机器学习，让它自己设计出这个“算法”，我们要做的就是

1. 提供给机器学习的办法
2. 提供给机器评估算法好坏的办法

至此，我们最初“让机器认物品（苹果）”这个问题就转换为，如何让机器通过一系列输入，在这个例子中为物品的照片，学习出识别的算法 和 如何评估算法的优劣，好让机器调整算法。

至此，我们便清楚了机器学习究竟在做什么以及它大体上是如何做的。

下面简单介绍一种模型：

解决模型

线性回归

线性回归分为单变量线性回归和多变量线性回归。其中单变量线性回归就是大家初高中求回归直线基本一样，而多变量就是将回归直线扩展到平面，空间，高维空间。

我们知道线性回归就是用一个线性函数去拟合给定的一个数据集，就像这样。

(图片来自CS229)

我们求线性回归就是要求那些参数 θ ，对与线性回归我们是有解析法的，但是让机器去算这些公式并不现实，同时对于很多非线性回归问题并没有解析法可用，因此我们还有另外一种求参数 θ 的办法，即 梯度下降(Gradient descent) 。

它通过一个给定的初始参数，利用一个评估函数指导如何修正参数，不断迭代，从而求出最终参数。

评估函数（cost function）:

一些建议

复习线性代数

机器学习的绝大多数算法，都要利用矩阵向量化（vectorization）来加快运算速度，所以一定要熟练掌握将各种加法乘法运算，转换为矩阵运算。

如 θ0+θ1x1+θ2x2+...+θnxn 可以转换为两个矩阵相乘 θX

编程语言的选择

初学者不必强求自己实现各种机器学习算法，可以多利用现有的第三方库。

不建议一开始就用 Java, C#, C, C++ 进行学习，甚至Python也不要

建议使用 matlab 或 octave

它们只需简单的几行代码就能实现复杂的功能。