吳恩達Coursera機器學習 - Chapter 1 引言

Chapter 1 - 引言

機器學習的定義 —— Tom Mitchell

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

根據本身的理解，翻譯成中文：
若是一個程序在某類任務T中，受性能指標P的度量，其性能值能隨着經驗值E的上升而不斷提高，這個程序就能從與任務T和性能指標P相關的經驗值E中學習。

疑問：學到後來發現，這個定義更像是對監督學習而不是全部機器學習的定義哈？監督學習的P很明顯是所謂的J(θ)，無監督學習的P或許更隱晦吧。。。

機器學習應用領域

（一）數據庫挖掘：

• 收集點擊流數據，使用機器學習算法來分析；
• 利用電子醫療記錄，更好的理解疾病；
• 計算生物學中，收集大量基因數據序列、DNA 序列分析
• 工程經驗學習，機械中的無人操做等領域

（二）手寫識別（圖像識別）

• 識別信封從而自動選擇路徑

（三）更好的瞭解人腦，理解人類學習過程

機器學習的分類

主要分爲監督學習和無監督學習。

監督學習

定義：給學習算法一個由「正確答案」組成的數據集，推知更多正確答案的過程。

※監督學習還能夠分爲迴歸問題和分類問題，劃分標準是：「正確答案」是連續的仍是離散的。
舉例：經過近幾年房價推測將來房價（連續值）爲前者，經過腫瘤特徵推測良性仍是惡性爲後者。

無監督學習

定義：僅給算法大量數據，讓其從數據中找出某種結構。也就是說，這些數據沒有任何標籤或標籤相同，讓你標上標籤（可能這樣說片面了些，只針對類聚算法）。
舉例：利用聚類算法，將個體聚類到不一樣類中。如，谷歌新聞分類，雞尾酒宴中分離出不一樣人說話的聲音。