Machine-learning of Andrew Ng

1.基礎概念       

       機器學習是一門研究在非特定編程條件下讓計算機採起行動的學科。最近二十年，機器學習爲咱們帶來了自動駕駛汽車、實用的語音識別、高效的網絡搜索，讓咱們對人類基因的解讀能力大大提升。當今機器學習技術已經很是廣泛，您極可能在毫無察覺狀況下天天使用幾十次。許多研究者還認爲機器學習是人工智能（AI）取得進展的最有效途徑。在本課程中，您將學習最高效的機器學習技術，瞭解如何使用這些技術，並本身動手實踐這些技術。更重要的是，您將不只將學習理論知識，還將學習如何實踐，如何快速使用強大的技術來解決新問題。最後，您將瞭解在硅谷企業如何在機器學習和AI領域進行創新。

        機器學習的基礎是數學。數學並不是是一個可選可不選的理論方法，而是不可或缺的支柱。若是你是一名計算機工程師，天天使用 UML、ORM、設計模式及其餘軟件工程工具／技術，那麼請閉眼一秒鐘，忘掉一切。這並非說這些概念不重要，毫不是！可是機器學習須要一種不一樣的方法。現在 Python 如此流行的緣由之一是其「原型設計速度」。在機器學習中，一種使用幾行代碼便可建模算法的語言絕對是必要的。

        微積分、線性代數、機率論在機器學習幾乎全部算法中不可或缺。若是你的數學背景很紮實，請跳過這一章節。如若否則，那麼從新溫習一下這些重要概念也不錯。考慮到理論的數量，我並不建議你們從大部頭開始。儘管一開始能夠用它查詢具體概念，可是初學者先關注簡單的話題比較好。網上有不少好的在線資源（好比 Coursera、可汗學院或優達學城），實用且適合各類背景的人羣。可是我建議從提綱之類的簡明書籍上手，其中全部核心概念均被涉及，次要概念可在須要的時候自行查詢。這種方法雖然不夠系統，但卻避免了這樣的缺陷：大量晦澀概念使得沒有紮實理論背景的人望而卻步。

Recommend  for new：  https://www.coursera.org/learn/machine-learning

 

2.學習小結(ing)

1.What is Machine Learning?

2.Supervised Learning and Unsupervised Learning

3.Model Representation and Cost Function

4.Matrices and Vectors

5.Multivariate Linear Regression

6.Normal Equation of Computing Parameters Analytically

7.Classification and Representation

8.Logistic Regression Model

9.Solving the Problem of Overfitting

 

 3.應用場景

 

模式識別
模式識別=機器學習。二者的主要區別在於前者是從工業界發展起來的概念，後者則主要源自計算機學科。在著名的《Pattern Recognition And Machine Learning》這本書中，Christopher M. Bishop在開頭是這樣說的「模式識別源自工業界，而機器學習來自於計算機學科。不過，它們中的活動能夠被視爲同一個領域的兩個方面，同時在過去的10年間，它們都有了長足的發展」。

數據挖掘
數據挖掘=機器學習+數據庫。這幾年數據挖掘的概念實在是太耳熟能詳。幾乎等同於炒做。但凡說數據挖掘都會吹噓數據挖掘如何如何，例如從數據中挖出金子，以及將廢棄的數據轉化爲價值等等。可是，我儘管可能會挖出金子，但我也可能挖的是「石頭」啊。這個說法的意思是，數據挖掘僅僅是一種思考方式，告訴咱們應該嘗試從數據中挖掘出知識，但不是每一個數據都能挖掘出金子的，因此不要神話它。一個系統絕對不會由於上了一個數據挖掘模塊就變得無所不能(這是IBM最喜歡吹噓的)，偏偏相反，一個擁有數據挖掘思惟的人員纔是關鍵，並且他還必須對數據有深入的認識，這樣纔可能從數據中導出模式指引業務的改善。大部分數據挖掘中的算法是機器學習的算法在數據庫中的優化。

統計學習
統計學習近似等於機器學習。統計學習是個與機器學習高度重疊的學科。由於機器學習中的大多數方法來自統計學，甚至能夠認爲，統計學的發展促進機器學習的繁榮昌盛。例如著名的支持向量機算法，就是源自統計學科。可是在某種程度上二者是有分別的，這個分別在於：統計學習者重點關注的是統計模型的發展與優化，偏數學，而機器學習者更關注的是可以解決問題，偏實踐，所以機器學習研究者會重點研究學習算法在計算機上執行的效率與準確性的提高。

計算機視覺
計算機視覺=圖像處理+機器學習。圖像處理技術用於將圖像處理爲適合進入機器學習模型中的輸入，機器學習則負責從圖像中識別出相關的模式。計算機視覺相關的應用很是的多，例如百度識圖、手寫字符識別、車牌識別等等應用。這個領域是應用前景很是火熱的，同時也是研究的熱門方向。隨着機器學習的新領域深度學習的發展，大大促進了計算機圖像識別的效果，所以將來計算機視覺界的發展前景不可估量。

語音識別
語音識別=語音處理+機器學習。語音識別就是音頻處理技術與機器學習的結合。語音識別技術通常不會單獨使用，通常會結合天然語言處理的相關技術。目前的相關應用有蘋果的語音助手siri等。

天然語言處理
天然語言處理=文本處理+機器學習。天然語言處理技術主要是讓機器理解人類的語言的一門領域。在天然語言處理技術中，大量使用了編譯原理相關的技術，例如詞法分析，語法分析等等，除此以外，在理解這個層面，則使用了語義理解，機器學習等技術。做爲惟一由人類自身創造的符號，天然語言處理一直是機器學習界不斷研究的方向。按照百度機器學習專家餘凱的說法「聽與看，說白了就是阿貓和阿狗都會的，而只有語言纔是人類獨有的」。如何利用機器學習技術進行天然語言的的深度理解，一直是工業和學術界關注的焦點。

 

4.推薦學習

機器學習詞彙：https://jiqizhixin.github.io/AI-Terminology-page/

香港科技大學TensorFlow課件分享：https://mp.weixin.qq.com/s/GaK_iSTBl7B4LTdaOtiR_Q

機器之心之機器學習路線：https://mp.weixin.qq.com

27 個機器學習、數學、Python 速查表http://blog.jobbole.com/112009/