【吴恩达·机器学习】第一章：机器学习绪论：监督学习和非监督学习

• 博主简介：努力学习的22级计算机科学与技术本科生一枚🌸
• 博主主页： @是瑶瑶子啦
• 每日一言🌼: 勇敢的人，不是不落泪的人，而是愿意含着泪继续奔跑的人。
  ——《朗读者》

0、声明

本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写，主要包括老师的核心讲义和自己的理解。在上完课后对课程内容进行回顾和整合，从而加深自己对知识的理解，也方便自己以及后续的同学们复习和回顾。

• 课程地址👉🏻2022吴恩达机器学习Deeplearning.ai课程
• 课程资料和代码（jupyter notebook)👉🏻2022-Machine-Learning-Specialization

由于课程使用英文授课，所以博客中的表达也会用到英文，会用到中文辅助理解。

🌸Machine learning specialization课程共分为三部分

• 第一部分：Supervised Machine Learning: Regression and Classification
• 第二部分：Advanced Learning Algorithms（deep learning)
• 第三部分：Unsupervised Learning: Recommenders, Reinforcement Learning

💐最后，感谢吴恩达老师Andrew Ng的无私奉献，和视频搬运同学以及课程资料整合同学的无私付出。Cheers!🍻

1、前言：Part1/Week1学习总结

第一周首先是对机器学习进行了介绍(应用以及定义），机器学习主要分为监督学习和非监督学习（还有强化学习）。监督学习中又可分为回归问题和分类问题。无监督学习分为聚类问题、异常检测、降维。

随后，就单变量的线性回归问题进行的深入的讲解。从回归模型的构建开始（线性模型），到代价函数再到梯度下降算法，进行了生动的讲解。

2、机器学习绪论

2.1：什么是机器学习

一言蔽之： Machien can learn without explicit programing.

我的理解就是：在机器做出判断or预测的时候，它做的每一步，并不是一开始人为的编程好了的（你可以理解为，它做出这个预测，内部是运行了哪及行代码，变量的值是多少或者说权重是多少，并不是程序员一开始编程好的，写死的），而是通过喂数据，由机器自己通过奇迹学习的算法（像后面提到的梯度下降的算法）自己学习得到的。

这里吴恩达老师举了个例子，说跳棋机器人程序设计者自己的跳棋能力可能不怎么样，但是通过自己和机器人大量的比赛，机器获取了大量的数据，最后机器人的跳棋能力已经远超于程序编写者的跳。能力，这种能力是就是通过大量数据以及机器学习算法，机器自己学习得到的，这就是机器学习。

2.2：监督学习

首先在直接给出提监督学习、回归问题、分类问题这些术语名词定义之前，我们先有一个宏观上的，直觉上的感受。

首先机器学习很大的一个应用，我们所能感受到的，就是做预测，对，预测，这个词我们很熟悉，其实回归和分类本质上就是预测，监督学习只是机器学习到这种预测能力的一种学习方式（即我们怎么喂数据的一种方式）。所以是不是也没有那么害怕继续看下去了？🤔

那怎么用数学的方式表示这种预测呢？给出房子的大小，预测出房价。这是不是很像数学里面的 “映射”——mapping.通常表现为下面这种形式：给定输入X，得到预测结果Y

而监督学习就是机器自己学习从而得到这种映射关系的方法（即需要同时给定输入和预测的正确结果，这在后面具体讲到监督学习中的回归模型时会具体感受到）
Learns from being given “right answers”.

监督学习主要分为下面两种模型，或称为两种问题：

• 回归：regression
• 分类：classification

下面进行简要的概述

2.2.1：回归

🌸Regression:Predict a number infinitly many outputs

下面是以房价预测的案例：给定房子的大小(House size)，预测得到具体的房价（Housing price).

🪧Tips:

• 上面例子是单变量的回归问题,当然也可以是多变量（即输入不止房价，还可以有地理位置等
• 蓝色的曲线和直线是预测函数，也是上文说到的映射mapping.直线表示是线性回归，曲线则是非线性（🙎🏻?♀?非线性会比线性复杂，拟合效果好，但是其实曲线也是由直线得到。为什么不直接分析非线性呢？因为线性最简单，人们本身最擅长分析线性问题，就像模电中为什么要在三极管问题中将其转换为等效小信号模型，本质上也是因为人类最擅长分析线性模型——一点自己的理解）

2.2.2：分类

🌸Classification:Predict categories with a small number of possible outputs
下面是根据肿瘤的直径大小来预测癌症的类别(预测结果是有限的）

🪧Tips:

• 首先同回归问题一样，上面例子还是输入是单变量的，当然输入也可与是多变量，就像下面这样：
  

• 和回归问题不同的是，分类问题的结果是离散的，且结果是有限的。

2.2.3：回归和分类对比：

最大的区别是

• 回归的结果是连续的，没有确定范围的
• 分类问题是离散的，有限的
  

2.3：非监督学习

非监督学习和监督学习的区别在于，在得到预测的映射函数时，不再同时给定输入和对应的正确输出，而是只给输入，让机器自己去找输入数据的内部关系和结构从而做出预测.(可以通过下文的例子很好理解）。

🪧Unsupervised learning: Data only comes with input x, but not outputs labels y. Algorithm has to find structure in the data.

非监督学习下最主要的最常见的一种就是：聚类(Cloustering)

2.3.1: 聚类

下面这是我们在搜索时经常遇到的场景。这是瑶瑶子关于傅里叶变换的一篇博客，当阅读完之后，会发现下方有很多与傅里叶相关的博客展示。这背后运用的就是聚类算法。

它似乎也是将类似的文章分为一类进行展示，但不同于分类问题的是，它没有具体的类别。我们知道分类问题的预测结果类别是离散的有限的。而这个显然不是，不同的文章下就会有对应的显示，计算机内部也没有事先记录好类别，而是通过聚类算法，自动将类似的文章聚类。这种机器自动发现数据间的结构，从而进行自己聚类的算法即为聚类算法。🪧Clousterinng: group similar data points together

其他非监督学习下的问题：还有缺陷检测和降维

---

🦄下期预告：单变量的线性回归模型，从数据集到线性模型，再到代价函数和梯度下降。