吴恩达机器学习笔记（1）—引言

目录

一、欢迎

二、机器学习是什么

三、监督学习

四、无监督学习

一、欢迎

机器学习是当前信息技术领域中最令人兴奋的方向之一。在这门课程中，你不仅会学习机器学习的前沿知识，还将亲手实现相关算法，从而深入理解其内部机理。

事实上，机器学习已广泛渗透进我们的日常生活。例如，每次你使用 Google、Bing 进行搜索，或用 Facebook、Apple 的图像识别功能识别朋友，甚至邮箱中的垃圾邮件过滤器，背后都离不开机器学习算法的支持。这些算法让系统能够“学习”如何提供更好的服务。

机器学习之所以广受欢迎，是因为它不仅服务于人工智能领域，更已成为计算机的一种核心能力。我们以前可以手动编写程序来解决基础问题，比如寻找最短路径，但像网页搜索、图像识别、反垃圾邮件等复杂任务，则必须依靠机器自我学习来完成。

它在医疗、工程、计算生物学等多个行业中发挥着巨大作用。比如：

• 数据挖掘：分析网页点击流数据，优化用户体验。

• 医疗健康：通过分析电子病历，发现疾病模式。

• 基因研究：处理大规模基因序列，探索生命奥秘。

• 自动控制：如训练无人直升机自动飞行。

• 手写识别：用于邮件自动分拣。

• 自然语言处理与计算机视觉：提升语言和图像理解能力。

• 个性化推荐系统：如 Amazon、Netflix、iTunes 的推荐功能。

此外，机器学习也被用来帮助我们理解人类学习本身和大脑的工作机制。它不仅推动 AI 梦想的实现，也是 IT 行业最受欢迎的技能之一。许多科技公司都在积极寻找掌握机器学习的人才，远远超出目前的供给。

二、机器学习是什么

虽然“机器学习”没有一个统一的定义，但有两个经典的描述：

• Arthur Samuel（20世纪50年代）：
  他将机器学习定义为“在没有明确设置的情况下，使计算机具有学习能力的研究领域”。
  他创建了一个西洋棋程序，程序通过与自己对弈上万次，不断优化策略，最终下棋水平超过了他本人。

• Tom Mitchell（卡内基梅隆大学）：
  定义：“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”
  例如：垃圾邮件过滤系统

  • 任务 T：识别垃圾邮件

  • 经验 E：观察是否把邮件标记为垃圾邮件

  • 性能度量 P：系统正确分类邮件的准确率

机器学习算法主要包括监督学习、无监督学习，以及其他类型如强化学习和推荐系统。

三、监督学习

监督学习指的就是给学习算法一个数据集，其中包含了“正确答案”，通过训练模型来学习已有数据中的规律，然后运用学习算法算出更多的“正确答案”。下面通过几个例子来理解它的核心思想。

例子1：预测房价（回归问题）

这里有一份从俄勒冈州的波特兰市收集的房价数据，把这些数据画出来，如下图，横轴表示房子的面积（平方英尺），纵轴表示房价（千美元）。基于这组数据，如果有一套750平方英尺的房子，想知道这房子能卖多少钱？

可以应用学习算法，对数据进行拟合，比如用一条直线来拟合这些数据，由此看出房子可以卖大约15万美元；也可以用二次函数来拟合数据可能效果会更好，看出房子可以卖出接近20万美元。

这种任务就是回归问题，回归是指试图推测连续值的属性。 在这个例子中“正确答案”是房子的实际售价。

例子2：通过查看病历来判断乳腺肿瘤是否为恶性（分类问题）

假设有一组数据，横轴表示肿瘤的大小，纵轴是1或0，1代表恶性，0代表良性。有5个良性肿瘤样本，用蓝叉表示，有5个恶性肿瘤样本，用红叉表示。现在有个尺寸已知的乳腺肿瘤，能否估算出这个肿瘤是恶性还是良性的概率？

在机器学习的问题中，会有多个特征，比如除了肿瘤尺寸外，还知道患者年龄。如下图，横轴表示肿瘤的大小，纵轴表示患者年龄。数据集可能是蓝圈表示良性，红叉表示恶性。在给定的数据集上，学习算法可能用一条直线来分离，并以此来判断良性或恶性瘤。

在机器学习的算法中，往往会有更多特征，比如肿块密度、肿瘤细胞大小的一致性、肿瘤细胞形状的一致性等其它的特征。如何处理更多甚至无穷多的特征呢？后面会讲支持向量机算法，里面有一个巧妙的数学技巧，能让计算机处理无限多个特征。

这种任务属于分类问题，目标是推测出一个离散的输出（0或1）。分类问题中，有时会有两个以上的输出值，比如：0=良性，1=第一类乳腺癌，2=第二类乳腺癌，3=第三类乳腺癌。这些离散输出值对应不同的类别，因此属于多分类问题。

四、无监督学习

在无监督学习中，我们的数据集没有标签或“正确答案”。我们不知道每个样本属于哪一类，甚至不知道应该有多少类。我们唯一拥有的只是原始的数据，算法的任务是从这些数据中自动发现结构或规律。

一个典型的无监督学习任务是聚类（Clustering）。算法试图将数据划分为若干个簇，如下图：算法可以自动识别出两个明显不同的簇（群组），即使我们事先并不知道这些簇的存在。

 聚类算法的实际应用，比如：

• 谷歌新闻聚类

一个非常贴近生活的应用是 Google News。它每天会收集大量新闻内容，并使用聚类算法自动将相关的新闻归到一起。你看到的每一组新闻，其实是无监督学习算法将它们聚到一起的结果。

• 基因表达分析

聚类算法也应用在基因数据分析中。例如，我们可以对不同个体的DNA微阵列数据进行分析，试图找出是否存在某些特定的基因表达模式。虽然我们并不知道哪些人属于哪一类，但通过聚类算法，我们可以将具有相似基因表达的个体归为一类。

无监督学习及其聚类算法被广泛应用于以下领域：

• 计算机集群管理

在大数据中心，通过聚类算法自动识别哪些计算机可以协同工作，以提高效率。

• 社交网络分析

分析你常联系的人，自动将社交网络中的朋友分组，每组中的人彼此熟识。

• 市场细分（Market Segmentation）

企业可以使用顾客数据，自动将用户划分为不同的市场细分群体，进而进行更有针对性的营销。

• 天文数据分析

聚类算法也被用于分析星系形成过程，提供了很多有趣且有用的理论支持。

另一种无监督学习任务是鸡尾酒宴问题。你可以想象在一个嘈杂的鸡尾酒宴会中，有两个人同时在说话。我们在房间里放置两个麦克风，分别录下两段混合音频。任务是从这两段录音中分离出各自的说话声。这个任务同样属于无监督学习。你不知道哪个声音是谁的，只能让算法自己去从音频中“解混合”，分离出原始的音频源。