前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【Andrew Ng 机器学习】Week 1(一):基本概念和线代基础

【Andrew Ng 机器学习】Week 1(一):基本概念和线代基础

作者头像
木东居士
发布2018-05-25 16:29:47
4350
发布2018-05-25 16:29:47
举报
文章被收录于专栏:木东居士的专栏

0x00 前言

第一周主要讲了四部分内容:

  1. 机器学习简介
  2. 单变量线性回归的模型和代价函数
  3. 单变量线性回归的的梯度下降
  4. 线代基础

由于篇幅会比较长,后续的笔记都会按照一些主题将每周的内容分拆成几篇笔记。本篇只有机器学习简介和线性代数两部分。

0x01 机器学习简介

一、什么是机器学习

The field of study that gives computers the ability to learn without being explicitly programmed.

第一个机器学习的定义来自于Arthur Samuel。他定义机器学习为,在进行特定编程的情况下,给予计算机学习能力的领域。

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.

另一个年代近一点的定义,由Tom Mitchell提出,来自卡内基梅隆大学,Tom定义的机器学习是,一个好的学习问题定义如下,他说,一个程序被认为能从经验E中学习,解决任务T,达到性能度量值P,当且仅当,有了经验E后,经过P评判,程序在处理T时的性能有所提升。

二、监督学习

监督式学习中,我们得到了一个数据集,并且已经知道我们的正确输出应该是什么样子,并且认为输入和输出之间存在关系。

监督学习问题分为“回归”和“分类”。

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,我们试图预测离散输出中的结果。换句话说,我们试图将输入变量映射到离散类别。

三、无监督学习

在无监督学习中,我们能够很少或根本不知道我们的结果应该是什么样子。

聚类就是无监督学习。比如说新闻聚类。

0x02 线代基础

基础内容不详细记录,只记几个小点。

一、基本概念

  • Scalar:标量,就是一个数值
  • Verctor:n x 1的矩阵
  • Matrix:矩阵
  • Identity Matrix:单位矩阵,对角线上都为1

二、运算

矩阵相乘:

矩阵转置:

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018-04-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 0x00 前言
  • 0x01 机器学习简介
    • 一、什么是机器学习
      • 二、监督学习
        • 三、无监督学习
        • 0x02 线代基础
          • 一、基本概念
            • 二、运算
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档