Machine Learning——定义、监督学习和无监督学习

Machine Learning definition

1. Arther Samuel(1959):Machine Learning:Field fo study that gives computers the ability to learn without being explicitly programmed.

2. Tom Mitchell(1998) well-posed Learning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its improves with experience E.

监督学习

利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练，该过程中有指导者。对于给出的数据集中的每个样本有相应的“正确答案”。

根据这些样本做出预测，分为两大类：回归和分类

根据吴恩达教授的机器学习课程：

（1）回归问题：预测出一个连续值的输出。

    例子：预测房价问题，根据样本的数据集进行拟合就可以得到一条连续的曲线。

（2）分类问题：设法预测一个离散值的输出。

例子：根据肿瘤的某些特征来判断是良性还是恶性，得到的结果是“良性”或者是“恶性”，是离散的。

此时的1表示恶性，0表示良性。

根据区域不同的来判断是恶性还是良性。叉表示恶性，圈表示良性。

当然了，预测的特征也是有很多

无监督学习

无监督学习的数据集和监督学习的不同，没任何标签，也就是没有“正确的输出结果”。在此过程中没有指导者，只有计算机自己学习。

从数据集中可以通过非监督学习得到数据的某种结构，可能是把数据分成两个不同的聚集簇，称为**聚类算法**。

聚类算法被应用于很多地方：

（1） Google新闻

（2） 基因学的应用：DNA微阵列数据

（3） 大型计算机集群、社交网络分析、市场细分问题以及天文数据分析

（4） 鸡尾酒会问题

宴会中，场景会嘈杂问题等，声音的辨别、过滤以及提取人的声音就会显得很重要。但是需要分析和解析数据问题，所以就涉及无监督学习问题。

在使用语言的编程问题上，例如C++或者是Java中，处理音频的问题，需要写很多的代码，还需要连接那些复杂的C++或者Java库，但是在机器学习问题中，我们只需要一行代码即可实现：

SVD（）函数——奇异值分解的缩写，作为线性代数常规函数的缩写。

参考部分：

吴恩达——机器学习

《机器学习导论 第二版》

以上内容均属于个人学习课程笔记以及参考书籍阅读之后增加的内容。如有不妥之处，还请大家指出。谢谢~~