吳恩達機器學習筆記1一一引言

機器學習是專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。

機器學習演算法根據輸入的資料是否具有標籤可以分為兩類，即監督學習演算法和無監督學習演算法。

監督學習演算法要求事先同時給出輸入資料和對應的輸出，然後網路根據**值與真實值之間的誤差或損失（loss）進行學習訓練，使網路能夠做出正確的反映。監督學習演算法主要可以分為回歸演算法（regression algorithms）和分類演算法（classification algorithms）。

回歸演算法是一種用於構建自變數（特徵）和因變數（目標值）之間關係的演算法，它的目標是得到一組特徵前的係數，使最後得到的模型盡可能的擬合。

分類演算法是從訓練資料中挖掘特徵的各種資訊，然後對新的資料進行分類**，從而構建模型。

回歸演算法和分類演算法的區別主要在於輸出變數的型別，回歸演算法是定量輸出，它的輸出量是連續量；分類演算法是定性輸出，它的輸出是離散量。

無監督學習演算法只需要給出一組輸入資料，然後演算法會通過模式識別、資料探勘等方式對給定的輸入資料進行歸納總結，從而使網路可以逐漸演化成對輸入的某種資料做出特定的反映。

無監督學習裡典型例子是聚類。聚類的目的在於把相似的東西聚在一起，而我們並不關心這一類是什麼。因此，乙個聚類演算法通常只需要知道如何計算相似度就可以開始工作了。

聚類演算法一般有五種方法，最主要的是劃分方法和層次方法兩種。劃分聚類演算法通過優化評價函式把資料集分割為k個部分，它需要k作為輸人引數。典型的分割聚類演算法有k-means演算法, k-medoids演算法、clarans演算法。