一刷吴恩达机器学习
最近在同事的推荐下，花了7天时间在bilibili听完了吴恩达的机器学习课程。机器学习虽然以微积分、线性代数和概率论等数学知识为基础，但是这门课绕过了复杂的数学知识，把各种机器学习算法的流程、特性、应用和调优介绍得清清楚楚。机器学习分为监督学习和无监督学习。整个课程听下来，感觉监督学习运用的场景更多一些。所有的监督学习都是通过一组输入和输出的样本，训练出模型，再用模型预测新的输入可能产生的输出。如果输入和输出是有意义的，那么它们的对应关系会符合某种规律，机器学习的目标就是找出这种潜在的规律。这就像识人一样，交往的人越多，我们就越容易看懂他人的行为。
从数学的角度上讲，模型和规律就是函数。最常见的函数是线性函数，可以表示成θ0+θ1*x1+…+θn*xn，与之对应的机器学习算法是线性回归。线性回归的输入是n维特征向量x(x1, x2,…, xn )，输出是数值y，需要训练的是线性函数的参数向量θ(θ0, θ1,…, θn)。得到参数向量θ后，给定任意一个输入x，都可以计算出结果y。常见的监督学习算法，比如线性回归、逻辑回归、神经网络，核心思想都是如此。不同算法之间的差异在于，采用的函数不同。
找出最优的参数向量θ的方法有很多种，最常用的方法是梯度下降。梯度下降就是沿着最优的方向，向前尝试一小步，再计算新的最优方向，继续向前尝试，直到找到一个最优解，整个过程就像下楼梯。这里有两个关键点，第一，如何计算最优的方向，这需要借助微积分的偏导数，第二，如何确定每一步的长度，尝试次数越多，越有可能接近最优解，越接近最优解，步幅应该越小，也就是需要从粗调到精调。这种寻找最优解的方法，多少有点碰运气的成分，所以有时候能找到全局最优解，有时候找到的是局部最优解。这让我想到了游戏中的Astar启发式寻路算法，都是通过试探来求解问题，但大部分时候都能得到不错的结果。
评价机器学习算法的好坏，就是用训练出来的模型预测新的数据，看预测结果和实际结果的偏差。由于机器学习的机制有碰运气的成分，所以调试机器学习算法变得很重要。不同的算法、不同的参数、不同的数据量和不同的特征工程，都会影响到结果的准确性。应该先尝试哪一种方法，还得靠数据说话。快速搭建机器学习算法原型，观察随着训练次数和数据量的增加，结果准确性发生了什么样的变化，才能决定下一步做什么最有效。 纯好奇，老哥不做笔记的吗？我一节课得花3-4小时才能完成。
有什么学习方法能讲一下吗？ 你好，我一般听完一两章再回顾ppt，全部学完再整体回顾一遍。不求全部都懂，根据需要在补充其他知识。你可以看看我的人工智能试炼场专栏，我在一点一点打基础[大笑] 噢噢，好的。老哥现在能做机器学习的题吗？ 我还没开始做，还在学数学 好的好的，谢谢老哥 你看的好快，我视频带笔记看了一个多月没看完～看完准备二刷 我们看的真的是一个视频吗 你说的一堂课是一整个章节吗 bilibili的视频是一小节就几分钟的那个吧 请问参考书用什么呀 课程有ppt，这个课程挺简单的，不用额外参考书
页:
[1]