每學完一章都來寫一篇博客，用來總結回顧和反思。

一、機器學習的一些簡單應用

我們可以利用計算機實現基礎的功能：例如計算A到B的最短路徑。

但是 網頁搜索、垃圾郵件的過濾、圖片識別 等功能需要應用機器學習的技術，總體來說分成五個方面

? 1、數據挖掘，例如分析用戶的點擊量來分析用戶習慣，更好的了解用戶

? 2、對于某些無法直接編寫代碼的場景，例如無人機自動駕駛

??3、NLP 自然語言處理

? 4、個性推薦

? 5、AI，像人的大腦一樣

二、什么是機器學習

? ? ?Arthur Samuel對機器學習的定義：在沒有明確設置的情況下，使計算機具有學習能力的研究領域(有些陳舊，不正確）。

? ? Tom Mitchell：計算機程序從經驗E中學習解決某一任務T，進行某一性能度量P，通過P測定在T上的表現因經驗E而提高。

? ? 機器學習算法分類：

? ? 1. 監督學習：我們教計算機做某件事情

? ? 2. 無監督學習：我們讓計算機自己學習

? ? 3. 強化學習

? ? 4. 推薦系統

三、監督學習（supervised learning）

監督學習：就是我們給算法一個數據集，其中包含了正確答案。也就是說我們給它一個房價數據集，在這個數據集中的每個樣本，我們都給出正確的價格即這個房子實際賣價，算法的目的就是給出更多的正確答案，例如為你朋友想要賣掉的這所新房子給出估價。

回歸問題：結果是線性的（我們設法預測出一個連續值的結果）。

分類問題：結果是離散的（我們設法預測出一個離散值得結果）。

四、無監督學習（unsupervised learning）

無監督學習：就是我們已知的數據，不同于監督學習的數據一樣，無監督學習中是沒有任何標簽的。針對數據集，無監督學習就可能判斷出數據有兩個不同的聚集簇。這是一個，這是另外一個，二者不同。這就叫聚類算法。

聚類應用的一個例子就是在谷歌新聞中。如果你以前從來沒見過它，你可以到這個 URL 網址 news.google.com 去看看。谷歌新聞每天都在收集非常多非常多的網絡的新聞內容。 它再將這些新聞分組，組成有關聯的新聞。所以谷歌新聞做的就是搜索非常多的新聞事件， 自動地把它們聚類到一起。所以，這些新聞事件全是同一主題的，并會顯示到一起。

所以這個就是無監督學習，因為我們沒有提前告知算法一些信息。我們只是說，是的，這是有一堆數據。我不知道這些數據是什么。我不知道誰是什么類型。我甚至不知道有哪些不同的類型，你能自動地找到數據中的結構嗎？就是說你要自動地聚類那些個體到各個類，我沒法提前知道哪些是哪些。因為我們沒有給算法正確答案來回應數據集中的數據，所以這就是無監督學習。

聚類和分類的區別：
分類：已知數據的類型，即在沒有輸入的時候，就知道輸出的結果（如：腫瘤良性還是惡性）。
聚類：不知道數據的類型，只給數據一些特征，機器根據特征，將數據分開。

無監督學習或者聚類的一些應用：

1、它用于組織大型計算機集群。我有些朋友在大數據中心工作，那里有大型的計算機集群，他們想解決什么樣的機器易于協同地工作，如果你能夠讓那些機器協同工作，你就能讓你的數據中心工作得更高效。

2、第二種應用就是社交網絡的分析。所以已知你朋友的信息，比如你經常發 email 的，或是你 Facebook 的朋友、谷歌+圈子的朋友，我們能否自動地給出朋友的分組呢?即每組里的人們彼此都熟識，認識組里的所有人?

3、還有市場分割。許多公司有大型的數據庫，存儲消費者信息。所以，你能檢索這些顧客數據集，自動地發現市場分類，并自動地把顧客劃分到不同的細分市場中，你才能自動并更有效地銷售或不同的細分市場一起進行銷售。這也是無監督學習，因為我們擁有所有的顧客數據，但我們沒有提前知道是什么的細分市場，以及分別有哪些我們數據集中的顧客。我們不知道誰是在一號細分市場，誰在二號市場，等等。那我們就必須讓算法從數據中發現這一切。

4、最后，無監督學習也可用于天文數據分析，這些聚類算法給出了令人驚訝、有趣、有用的理論，解釋了星系是如何誕生的。

這些都是聚類的例子，但是聚類只是無監督學習中的一種。

Fighting！！！

?

?

?

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的吴恩达机器学习笔记——第一章的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。