【机器学习入门复习1】机器学习导论

由于近期准备会议及系列实验，导致其他系列暂时无法得到及时更新。

【机器学习入门复习】系列是学习coursera上Andrew Ng的机器学习课程所做的及时总结，以防遗漏。

-----------------------------------------------------------------------------------------------------

第一章导论部分，Andrew Ng老师主要将内容分为四部分：

1， 机器学习的基本定义及分类

2， 监督学习与无监督学习

3， 消耗函数(Cost function)

4， 参数化学习之梯度下降算法

机器学习的基本定义及分类

需要学习这门课，首先要了解这是什么东西，再去看看有什么分类。

讲义上主要介绍了两种定义，一种是Samuel的非正式定义，另外一种是Mitchell的正式定义。

Samuel的非正式定义为：赋予计算机学习的能力，而不需要复杂的编程。

Mitchell的正式定义为： 程序为实现目的为T的目标，需要由经验值E进行学习，并且用尺度P进行评价；如果其在E的帮助下对于T任务的P定义下的完成程度得到提升，则为机器学习算法。（翻译的有点绕口，差不多意思是机器学习有三个条件：目的T，学习数据E以及评价尺度P。学习数据E为经验值，评价尺度即后面的cost function）

原文如下：

Arthur Samuel (1959). Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed.
Tom Mitchell (1998) Well-posed Learning Problem: A computer program is said to learn from experience E with respect to some task T
and some performance measure P, if its performance on T, as measured by P, improves with experience E.