0x00 前言
第一周主要讲了四部分内容:
- 机器学习简介
- 单变量线性回归的模型和代价函数
- 单变量线性回归的的梯度下降
- 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:
欢迎关注我的微信公众号! 坚持原创技术分享,您的支持将鼓励我继续创作! 打赏微信支付
- 本文作者: 木东居士
- 本文链接: www.mdjs.info/2018/04/27/…
- 版权声明: 本博客所有文章除特别声明外,均采用 CC BY-NC-SA 3.0 许可协议。转载请注明出处!