自學的教程
trace_c_p_k2=9039884a4c1f40ab98eb7fe5b0cf6e78
吳恩達老師的機器學習課程個人筆記：
基本思想是，資料集中的每個樣本都有「正確答案」。再根據這些樣本做出**。
可以將監督學習粗略的劃分為兩類：
1）回歸問題：通過回歸來推出乙個連續的輸出（典型例子：**某一年的房價），回歸就指的是根據之前的資料**出乙個準確的輸出值。
2）分類問題：目標是推出一組離散的結果（典型例子：**腫瘤是良性或惡性），根據之前的資料**離散的輸出值。
假設你經營著一家公司，你想開發學習演算法來處理這兩個問題：
你有一大批同樣的貨物，想象一下，你有上千件一模一樣的貨物等待**，這時你
想**接下來的三個月能賣多少件？
你有許多客戶，這時你想寫乙個軟體來檢驗每乙個使用者的賬戶。對於每乙個賬戶，
你要判斷它們是否曾經被盜過？
問題一是乙個回歸問題，因為你知道，如果我有數千件貨物，我會把它看成乙個實數，乙個連續的值。因此賣出的物品數，也是乙個連續的值。
問題二是乙個分類問題，因為我會把**的值，用 0 來表示賬戶未被盜，用 1 表示賬戶曾經被盜過。所以我們根據賬號是否被盜過，把它們定為 0 或 1，然後用演算法推測乙個賬號是 0 還是 1，因為只有少數的離散值，所以我把它歸為分類問題。
無監督學習資料集的特點是，沒有明確的相同的標籤，所以我們的資料集就只是純粹的資料集，而不知道每個資料點表示什麼含義，不像監督學習，都有「正確答案」。
無監督學習，主要有兩個大類：
1）聚類：
針對資料集，無監督學習就能判斷出資料有兩個不同的聚集簇。無監督學習演算法可能會把這些資料分成兩個不同的簇，所以叫做聚類演算法。聚類演算法的應用十分廣泛。比如社交網路的分析，通過某些特徵對朋友進行分類；分析天文資料等等，諸多方面。
2）雞尾酒宴問題
酒會上很多人，有的人離麥克風近，有的離得遠。所以大家都在說話的時候傳到麥克風中的聲音不同。比如兩個聲音的疊加，無監督學習，可以將兩個聲音分離出來。
吳恩達機器學習筆記（1） 監督學習和無監督學習
在監督學習中，我們會有一組已經知道輸出結果應該是怎麼樣的資料集，也就是說，知道輸入和輸出之間會有一種特定的關係。然後，在監督學習中問題又被分成 回歸 和 分類 兩類問題。回歸 regression 的是一組連續的輸出結果，也就是說需要將輸入的資料與某個特定的連續函式所對應起來。分類 classifi...
吳恩達機器學習筆記 監督學習和無監督學習
1.監督學習 通過給定的資料集，進行 得到 正確的答案 並且資料集已經包括了答案。如 100平的房價100w,120平的房價120w,140平的房價140w,通過學習，我們可以 150平的房價150w左右。1.1回歸和分類 回歸指我們的 值應該是個連續輸出值 real valued output 如...
吳恩達機器學習筆記之無監督學習
和監督學習相比，無監督學習的資料集是沒有標籤的。所謂沒有標籤的意識就是我們對資料一無所知，但是要借助一些演算法試著幫我們尋找到資料的某些結構特性。聚類 clustering 演算法是我們要學習的第乙個無監督學習的演算法，將我們的資料分成不同的簇。假設我們有下圖所示的資料集 k means演算法是乙個...