吴恩达Machine Learning 第一周课堂笔记

1.Introduction

1.1 Example

       - Database mining

       Large datasets from growth of automation/web.

       E.g., Web click data, medical records, biology, engineering

       - Applications can't program by hand.

       E.g., Atonomous helicopter, handwriting recognition, most of

       Natural Language Processing(NLP), Compter vision.

       - Self-customizing programs

       E.g., Amason, Netflix, poduct recommendations

       - Understanding human learning(brain, real AI)

1.2 What is machine learning?

对机器学习的两种定义

1. Arthur Samuel (1959). Machine Learning: Field of study that gives computers the ability to learn without being explicitly programed.

2. Tom Mitchell(1998) Well-posed Learning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.（定义理解以spam为例：T表示对邮件进行分类，判断是否为垃圾邮件，E表示对邮件进行分类的结果，P表示对邮件分类的正确率。定义的意思是通过E，使得T更好，P就是这个指标，P增加）

1.3 Supervised Learning

        给出一个算法，需要部分数据集已经有正确答案（“right answer given”）。比如（以housing price prediction为例）给定房价数据集，对于里面每个数据，算法都知道对应的正确房价。算法的结果就是算出更多的正确价格。

 

        监督学习（常见）分类：regression（回归）、classification（分类）。

1.3.1 Regression

Predict continuous valued output (price).预测一个连续值作为输出。比如知道房屋的面积，预测房价。

1.3.2 Classification

Discrete valued output(eg:0 or 1). 比如Breast cancer(malignant, benign)

1.4 Unsupervised Learning

给出一组数据，不给出相关数据的正确答案。找出这些数据内部存在的结构。无监督学习最为常见例子是聚类。根据事物间的相似度将它们归为一类。

2 Linear Regression with One Variable

2.1 Model and Cost Function

2.1.1 Model Representation

                                                                 （2-1）

将要用到的符号说明:

x 表示输入（特征）

y 表示输出 （目标值）

m 表示训练集的样本数量

(x,y) 表示全部训练集数据

(x⁽ⁱ⁾,y⁽ⁱ⁾) 表示训练集中第i个数据

h 表示假设函数，输入和输出之间的一种关系

图 2.1 线性回归过程

学习算法利用训练集数据，拟合出假设函数h，输入经过假设函数拟合出输出。

2.1.2 Cost Function

代价函数是为了找到目的函数的最优解。因为在一个训练集中，有无数个模型，我们需要找到最拟合的这个训练集的函数，所以引入代价函数，用来找到那个最好的模型。常用的平方误差代价函数（或者是均方误差函数）如下式，其中1/2是为了求梯度下降方便，对代价函数求导会消掉1/2.

                                             （2-2）

图2.2 建模误差

对于参数的选取，决定了模型的预测值与训练集中实际值的差距。（蓝线就是modeling error）。

图 2.3 代价函数图像

最优解即为代价函数的最小值，如图2.3所示，当θ₁=1时，该代价函数有最小值，即最优解。