自學機器學習，在瞎學，學了tensorflow，只會做個調包俠，做做教程的例子，遇到實際問題，還是兩眼一抹黑，於是準備惡補一下機器學習的基礎知識。聽了網上的推薦就看了《吳恩達機器學習》，感覺挺不錯的，所以想把我學的內容記錄個筆記，以便於以後遺忘了在回來複習一下，順便趁熱打鐵。1.什麼是機器學習
首先arthur在2023年將機器學習定義為：在沒有明確設定的情況下使計算機具有學習能力的研究領域
接著後來tom mitchell在2023年將機器學習重新定義為：
乙個適當的學習問題定義如下：
電腦程式從經驗e中學習解決一任務t
進行某一效能度量p，通過p測定在t上的表現因經驗e而提高
第二個定義可能理解有點難度，舉個例子：
讓機器學會跳棋，而跳棋遊戲的經驗e就是程式與自己下幾萬次跳棋，任務t就是玩跳棋，效能度量p就是與新對手玩跳棋時贏的概率
2.監督學習
監督學習是指給機器一定的訓練集，訓練集裡每個元素都有相應的正確標籤。讓機器學習這些訓練集，來訓練出可以達到預期相應的正確標籤的模型，也就是說給定機器學習的目標，讓機器自己去學習。
舉個例子：
假設你要**房價，你收集了房價資訊，並繪製了資料集，就像這樣：
橫軸是房子的大小，豎軸是房價的多少，有了這些資料，你要訓練出乙個模型來擬合這些資料以便於你代入其他的資料來**房價，就好像是找到一條函式符合這些資料。這就是最簡單的監督學習，也就是我們說的回歸模型。
再舉乙個例子：
有兩類**，一類是狗，一類是貓，我們給每張**分好類，做好標籤製作出乙個資料集。計算機用這些資料，來自己學習分類那個**是貓那個**是狗，這也就是分類模型。
3.非監督學習
在機器學習，無監督學習的問題是，在未加標籤的資料中，試圖找到隱藏的結構。
比如谷歌新聞，谷歌新聞會不停的收集不同的新聞頁面，谷歌的伺服器會自動把這些新聞分類。
吳恩達機器學習筆記（01） 初識機器學習
arthur samuel認為在沒有明確設定的情況下，使得計算機具有學習能力的研究領域。例如 跳棋程式通過與使用者對弈，觀察哪些布局容易贏，哪些布局容易輸，就能學會跳棋，知道什麼布局是好的，什麼布局是壞的。tom mitchell認為，電腦程式從experience 經驗 e中學習來解決某一task...
吳恩達機器學習筆記
為了解決實際生活中的問題，我們通常需要乙個數學模型。比如，小明有乙個房子 他想賣掉房子 為了知道房子的 小明收集了該地區近兩年的房屋交易 他發現房屋 與房屋大小呈正相關，所以他畫了了一幅圖 小明的房屋大小用紅色的 代替。可見和小明房屋一樣大小的房子並不存在，而類似的房屋 又有很大差別，如此小明決定用...
吳恩達機器學習筆記
sigmoid啟用函式 0，1 x 0,y 0.5 tanh啟用函式 1，1 x 0,y 0 relu啟用函式 x 0,y 0 x 0,y x sigmoid啟用函式 除了輸出層是乙個二分類問題基本不會用它。tanh啟用函式 tanh是非常優秀的，幾乎適合所有場合。relu啟用函式 最常用的預設函式...