跳至主要內容

吴恩达机器学习

吴恩达机器学习

目录

AI

AI、ML、DL 关系

  • 包含关系：深度学习⊂机器学习⊂人工智能深度学习\sub 机器学习\sub 人工智能
    • 人工智能（Artificial Intelligence，AI）
    • 机器学习（Machine Learning，ML）
    • 深度学习（Deep Learning，DL）

AI，人工智能（Artificial Intelligence）

分类：

  • 通用人工智能 / 强人工智能（AGI，Artificial General Intelligence），字面翻译是“通用”，“强”可能是意译吧
    • 可以做任何事。有很多关于AGI的不必要的宣传，现在的AGI还是不够厉害
  • 狭义人工智能（ANI，Artificial Narrow Intelligence），与AGI相对应
    • 只能做一件事，用于特定场所。例如下棋、自动驾驶

ML，机器学习（Machine Learning）

ML：定义

现有两种机器学习的定义

  • 定义一
    • 亚瑟·塞缪尔（Arthur Samuel）定义：
      “使计算机无需进行明确编程即可习得的研究领域。”
    • 这是一个较旧的非正式定义。
  • 定义二
    • 汤姆·米切尔（Tom Mitchell）定义：
      “如果某计算机程序在 任务T (Task) 上的 性能P (Performance) 随着 经验E (Experience) 的增加而提高，
      那么可以说计算机程序可以从 经验E 中学习一些 任务T 和 性能指标P。 ”
    • 这是一个更现代的定义
    • 例如：玩跳棋。
      E ：玩过许多跳棋游戏的经验。
      T ：扮演跳棋的任务。
      P ：程序赢得下一场比赛的概率。

ML：分类

除视频外可参考：

通常，可以将任一机器学习问题分配给以下两种广泛的分类之一：

  • 监督学习（supervised learning）

    • 特点：有训练样本，需要大量被标记的数据

    • 应用分类：监督学习解决两种类型的问题：

      • 回归（regression），例如 预测播放量，L(f,(X,Y))=∣∣f(X)−Y∣∣2L(f,(X,Y))=||f(X)-Y||^2
        • 有很多种类的回归模型：线性回归、多项式回归、逻辑回归（不过逻辑回归一般用来作分类而不是预测）
      • 分类（classification），例如 识别猫还是狗，L(f,(X,Y))=−log⁡fY(X)L(f,(X,Y))=-\log f_Y(X)，其中fY(X)≥0，∑ifi(X)=1f_Y(X)\geq0，\sum_i f_i(X)=1
        • 二元分类（Binary Classification）：只有两个分类，例如判断是或不是的情况
        • 多分类（Multiclass classification）：有多个分类，例如手写体的数字识别（选择0~9）

    • 算法：一些常见的监督学习算法包括

      • 线性和逻辑回归
      • 朴素贝叶斯
      • 支持向量机
      • 决策树和随机森林
      • 人工神经网络

  • 无监督学习（unsupervised learning）

    • 特点：无训练样本，不需要标记数据
    • 应用：集群问题（最主要用途）、降维、安全分析中的异常检测
    • 算法：
      • K-means（用于聚类）
      • 主成分分析（PCA）（用于降维）
      • ……

监督学习

在监督学习中，我们得到一个数据集，并且已知正确的输出应该是什么样的，以及认为输入与输出有关联。

监督学习问题分为“回归”和“分类”问题

  • 在回归问题中，我们试图预测连续输出中的结果，这意味着我们试图将输入变量映射到某个连续函数。
  • 在分类问题中，我们尝试预测离散输出中的结果，这意味着我们正在尝试将输入变量映射为离散类别。

例如：

电子邮件判断是否垃圾、音频转文字、语言机器翻译、用人的信息和广告来判断是否会点击、判断图片里的是什么物体、产品质量合格检测等等

范例1：

给定有关房地产市场上房屋大小的数据，请尝试预测其价格。价格作为规模的函数是一个连续的输出，因此这是一个回归问题。

回归问题

我们可以通过输出 “房屋是否以高于或低于预测价格出售”，从而将这个例子变成分类问题，根据价格将房屋分为两类。

范例2：

（a）回归——给定男性/女性的照片，根据给定的照片预测他/她的年龄。

（b）分类——给定一张男性/女性的照片，预测他/她的年龄是属于高中、大学还是研究生。
分类的另一个示例——银行必须根据某人的信用记录来决定是否向某人提供贷款。

无监督学习

另一方面，无监督学习使我们几乎或根本不了解输出结果应该是什么样子。我们可以从数据中获得结构，而不必知道变量的影响。

我们可以通过基于数据中变量之间的关系对数据进行聚类来推导此结构。

在无监督学习的情况下，没有基于预测结果的反馈，即无法纠正。

范例：

聚类——收集有关《美国经济》的1000篇文章，并找到一种方法，将这些文章自动归类，
这些变量在某种程度上因不同的变量而相似或相关，例如词频、句子长度、页数。

文章自动归类

范例2

非集群——“鸡尾酒会算法”，可以在混乱的数据中找到结构。例如，在鸡尾酒会上从声音网格中识别单个声音和音乐。

非集群——鸡尾酒会算法1

非集群——鸡尾酒会算法2

维基百科:鸡尾酒会算法
Octave实现鸡尾酒会算法代码_(SVD)奇异值分解
matlab实现鸡尾酒会算法代码

链接到当前文件 0
没有文件链接到当前文件