吴恩达的课程会很偏于用实例来掌握理论知识,不过看着还是有些云里雾里,倒是杉山将的《图解机器学习》介绍得更易懂些。
在此进行结合学习。
杉山将是这么通俗地定义监督学习、无监督学习和强化学习,它们是机器学习的主要种类:
监督学习:有求知欲的学生从老师那里获取知识、信息,老师提供对错指示、告知最终答案的学习过程。在机器学习里,学生对应于计算机,老师则对应于周围的环境。根据在学习过程中所获得的经验、技能,对没有学习过的问题也可以做出正确解答,使计算机获得这种泛化能力,是监督学习的最终目标。
监督学习,在手写文字识别、声音处理、图像处理、垃圾邮件分类与拦截、网页检索、基因诊断以及股票预测等各个方面,都有着广泛的引用。
这类机器学习的典型任务包括:预测数值型数据的回归、预测分类标签的分类、预测顺序的排序等。
简单而言,就是初高中时上课,老师上课教知识点讲过程,学生不仅学会了,还能够举一反三。
无监督学习:
在没有老师的情况下,学生自学的过程。
在机器学习里,基本都是计算机在互联网中自动收集信息,并从中获取有用信息。无监督学习不仅仅局限于解决像监督学习那样的有明确答案的问题,因此,它的学习目标可以不必十分明确。
无监督学习在人造卫星故障诊断、视频分析、社交网站解析和声音信号解析等方面大显身手的同时,在数据可视化以及作为监督学习方法的前处理工具方面,也有广泛的应用。
这类机器学习的典型任务有聚类、异常检测等。
强化学习
是指在没有老师提示的情况下,自己对预测的结果进行评估的方法。通过这样的自我评估,学生为了获得老师的最高嘉奖而不断地进行学习。
强化学习被认为是人类主要的学习模式之一。
强化学习,在机器人的自动控制、计算机游戏中的人工智能、市场战略的最优化等方面均有着广泛应用。
在强化学习中经常会用到回归、分类、聚类和降维等各种各样的机器学习算法。
监督学习和无监督学习中的典型任务
回归:把实函数在样本点附近加以近似的有监督的函数近似问题;分类:对于指定的模式进行识别的有监督的模式识别问题;异常检测:寻找输入样本中所包含的异常数据的问题;聚类:与分类问题相同,也是模式识别问题,但是属于无监督学习的一种;降维:从高维度数据中提取关键信息,将其转换为易于计算的低维度问题进而求解的方法。第三节:听吴恩达讲监督学习
假设想要预测房价
前不久,一个学生从俄勒冈的波特兰市收集数据,假设绘制了一个数据集,如下所示:
横轴:不同房子的平方英尺纵轴:代表房子价格,单位是千美元
那么,假设你的朋友有一栋 750 平方英尺的房子,他想要卖掉这个房子,想知道能卖多少钱,学习算法能如何帮助我们?
吴恩达表示,学习算法能做到的一件事就是,根据数据画一条直线,或者说就是用一条直线拟合数据,基于此可以推测房子大概能卖 15 万美元:
不过,这并不是能使用的唯一的学习算法,还有一个更好的:例如除了用一条直线拟合数据,还可以用二次函数或二阶多项式(即二次方程)来拟合数据会更好。
根据二次方程的曲线,如下所示,我们可以在这个点推测出,能卖接近 20 万美元。
那么,摆在面前的有两种方案,如何选择,如何决定?是用直线还是用二次函数来拟合数据?后面会具体讨论。
监督学习是指我们给算法一个数据集,其中包含了正确答案。
在这个例子中,我们给出了一个房价数据集,在这个数据集中每个样本,我们都给出正确的价格,即这个房子的实际卖价。算法的目的就是给出更多的正确答案,例如为朋友想要卖掉的这所房子给出估价。
用更专业的术语定义,这就是「回归问题」。
这里的回归问题指的是:我们想要预测连续的数值输出(即价格),一般房子的价格会记到美分,因此价格实际上是一个离散值,但通常我们认为房价是一个实数、标量或连续值。「回归」这个术语是指我们设法预测连续值的属性。
第二个例子:推测肿瘤良性与否
假设你想看医疗记录,并且设法预测乳腺癌是恶性的还是良性的。假设有人发现了一个乳腺肿瘤,恶性的就是有害并十分危险,良性的就是无害的。我们来看收集到的数据集,假设在数据集中,横轴是肿瘤的尺寸,纵轴 0 和 1 分别代表 No 和 Yes,即不是或是恶性肿瘤,恶性(1),良性(0)。
假设我们的数据集就像这样 —— 在 0 的位置有 5 个样本,在 1 的位置也有 5 个样本。
这时,有个朋友很不幸地患了乳腺肿瘤,假设她的乳腺肿瘤的大小可能在下图这个值的附近,机器学习的问题就是,你能否估计出肿瘤是良性还是恶性的概率?用更专业的术语来讲,这就是一个分类问题。