监督学习与无监督学习-from 吴恩达的机器学习

本文介绍了机器学习中的两大核心类别——监督学习与无监督学习。监督学习利用带有正确答案的数据集进行预测模型的训练,包括回归和分类两种主要任务。无监督学习则通过发现数据内在结构来进行学习,例如市场细分和新闻故事归类等应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

监督学习

监督学习中,对于数据集中的每个数据都有相应的正确答案(训练集),算法就是基于这些来做出预测。

1.回归问题:通过回归来预测一个连续值输出

例:

你有一堆货物的清单。 假设一些货物有几千件可卖, 你想预测出,你能在未来三个月卖出多少货物。


2.分类问题 :目标是预测离散值输出。

例:

你有很多用户, 你打算写程序来检查每个用户的帐目。 对每个用户的帐目, 判断这个帐目是否被攻击过。


无监督学习

它是一种学习机制,你给算法大量的数据,要求它找出数据中蕴含的类型结构,这就是无监督学习。

在无监督学习下,没有基于预测结果的反馈。

例:

市场细分:通过大量的市场数据细分不同用户类型市场。

新闻故事:从网络搜集大量新闻数据,将同样内容的新闻划分到一起。


视频中讲解了鸡尾酒会算法(https://en.wikipedia.org/wiki/Cocktail_party_effect)

[W,s,v]=svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x');
//TODO 后面使用代码实现鸡尾酒会算法


吴教授推荐了开发工具octave:工程计算软件

windows下octave下载地址:https://ftp.gnu.org/gnu/octave/windows/

### 吴恩达机器学习课程概述 吴恩达教授开设的《机器学习》课程提供了全面的基础教育,涵盖了监督学习无监督学习以及如何应用这些技术解决实际问题[^1]。该课程不仅适合初学者入门,也能够帮助有一定基础的学习者深入理解算法原理。 #### 主要内容包括: - **线性回归逻辑回归**:介绍基本概念及其应用场景。 - **神经网络**:讲解多层感知器结构及反向传播训练方法。 - **支持向量机(SVM)**:探讨最大间隔分类器理论。 - **聚类分析(K-means)** 和 **降维(PCA)** :探索数据压缩和可视化技巧。 - **异常检测** 及其在不同领域中的实践案例研究。 #### 学习资源推荐 对于希望获取更详细的资料或进一步提高技能的人来说,《机器学习年鉴》是一本不可多得的好书[^2]。书中除了总结了大量经典模型外,还收录了许多前沿研究成果和技术趋势预测文章。 此外,在线平台Coursera上可以找到由Andrew Ng亲自授课的官方版本视频教程链接[^3]。通过完成一系列精心设计的任务项目,学员们可以在实践中巩固所学知识并积累宝贵经验。 ```python import numpy as np from sklearn import datasets, linear_model from matplotlib import pyplot as plt # 加载糖尿病数据集作为示例 diabetes_X, diabetes_y = datasets.load_diabetes(return_X_y=True) # 创建线性回归对象 regr = linear_model.LinearRegression() # 训练模型 regr.fit(diabetes_X[:, None, 2], diabetes_y) plt.scatter(diabetes_X[:, 2], diabetes_y, color='black') plt.plot(diabetes_X[:, 2], regr.predict(diabetes_X[:, None, 2]), color='blue', linewidth=3) plt.show() ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值