本文介绍了机器学习的基本概念，包括通过经验E提升任务T的性能度量P，以及监督学习和无监督学习的应用。在监督学习中，算法通过已标记的数据集学习，如邮件分类，而在无监督学习中，算法自行发现数据集中的模式，如聚类算法解决鸡尾酒会问题。奇异值分解（SVD）在无监督学习中也有应用。
1.基本概念
1）从经验E中学习解决任务T，进行某一性能度量P。通过P测定在T上的表现因经验E而升高。
2）例如你标记某邮件为垃圾邮件，程序会学习如何更好过滤垃圾邮件。
任务T：邮件分类
经验E：观察你是否把邮件标记为垃圾邮件
性能度量P：正确归类的邮件比例
因此我们的系统在任务T上的性能，在得到经验E后会提高性能度量P。
2. 监督学习
我们教会计算机做某件事情。我们给算法一个数据集（打上标签），其中包含了正确答案。
1.回归问题：我们要预测连续数值输出。
2.分类问题：我们设法预测一个离散值输出。
3. 无监督学习
我们让计算机自己学习。给算法一个数据集（没有标签，都是同类数据）。
3.1 聚类算法
3.1.1 鸡尾酒问题
当前语音识别技术已经可以以较高精度识别一个人所讲的话，但是当说话的人数为两人或者多人时，语音识别率就会极大的降低，这一难题被称为鸡尾酒会问题。
Octave软件的写法
svd：奇异值分解
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
