Coursera公开课笔记: 斯坦福大学机器学习第一课“引言(Introduction)”
Coursera公开课笔记: 斯坦福大学机器学习第一课“引言(Introduction)”
注：这是我在“我爱公开课”上做的学习笔记，会在52opencourse和这里同步更新。随着Coursera和Udacity这样的注重交互式的网络课堂的兴起，相信传统教育模式即将遭到颠覆。欢迎大家在52opencourse这个问答平台上进行交流，希望能为大家提供一个开放、免费、高质量以及世界级的公开课中文交流平台和桥梁。
以下转自原文: Coursera公开课笔记: 斯坦福大学机器学习第一课“引言(Introduction)”
Coursera上于4月23号启动了6门公开课，其中包括斯坦福大学于“机器学习”课程，由机器学习领域的大牛Andrew Ng教授授课：
https://www.coursera.org/course/ml
课程刚刚开始，对机器学习感兴趣的同学尽量注册，这样即使没有时间学习，获取相关资料特别是视频比较方便。
由于工作繁忙的缘故，这批科目里我主要想系统的学习一下“机器学习”课程，所以计划在52opencourse和52nlp上同步我的机器学习课程笔记，一方面做个记录和总结，另一方面方便后来者参考。
Coursera上机器学习的课程学习过程是这样的：看Andrew Ng教授的授课视频或者看看课程相关的ppt；答系统随机出的题，一般5道题，单选、多选甚至填空，满分5分；编程作业，需用Octave(和 Matlab相似的开源编程语言)完成，提交给系统得分，在规定时间内完成，均取最高分，超过规定时间会对得分打折。
第一周（4月23日-4月29日）的课程包括三课：
- Introduction(引言)
- Linear Regression with One Variable(单变量线性回归)
- (Optional) Linear Algebra Review(线性代数回顾)(对于线性代数熟悉的同学可以选修)
1）机器学习定义:机器学习是人工智能的一个分支，目标是赋予机器一种新的能力。机器学习的应用很广泛，例如大规模的数据挖掘（网页点击数据，医疗记录等），无人驾驶飞机、汽车，手写手别，大多数的自然语言处理任务，计算机视觉，推荐系统等。 机器学习有很多定义，广为人知的有如下两条：
Arthur Samuel (1959): Machine Learning: Field of study that gives computers the ability to learn without being explicitly programmed.
注：Arthur Lee Samuel (1901–1990) 教授是美国人工智能领域的先驱，他设计了一些下棋程序，可以通过不断的下棋来学习，从而达到很高的下棋水平。
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.
例子：对于一个垃圾邮件识别的问题，将邮件分类为垃圾邮件或非垃圾邮件是任务T，查看哪些邮件被标记为垃圾邮件哪些被标记为非垃圾邮件是经验E，正确识别的垃圾邮件或非垃圾邮件的数量或比率是评测指标P。
2）机器学习算法的类型
1、有监督学习(Supervised learning):通过生成一个函数将输入映射为一个合适的输出（通常也称为标记，多数情况下训练集都是有人工专家标注生成的）。例如分类问题，分类器 更加输入向量和输出的分类标记模拟了一个函数，对于新的输入向量，得到它的分类结果。
2、无监督学习(Unsupervised learning):与有监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类。
3、半监督学习: 介于监督学习与无监督学习之间。
4、强化学习(Reinforcement learning): 通过观察来学习如何做出动作，每个动作都会对环境有所影响，而环境的反馈又可以引导该学习算法。
其他的类型包括推荐系统，Transduction，Learning to learn等。
3）有监督学习详解
有监督学习主要会提供一些标注样本，分为两大问题：回归和分类
房屋价格预测-回归(Regression): 预测连续的输出值（价格)
乳腺癌（良性，恶性）预测问题-分类(Classification): 预测离散的输出值(0, 1)
例子: Google News， 基因序列分析，社会网络分析，市场切分等…
特别的例子：鸡尾酒会问题（Cocktail party problem）
“ 鸡尾酒会问题”（cocktail party problem）是在计算机语音识别领域的一个问题，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。
鸡尾酒会问题算法（一行代码）：
[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x’);
一些参考资料：
解决方法ICA demo: http://research.ics.tkk.fi/ica/cocktail/cocktail_en.cgi
http://www.vislab.uq.edu.au/education/sc3/2001/johan/johan.pdf
http://www.physorg.com/news75477497.html
http://en.wikipedia.org/wiki/Cocktail_party_effect
http://www.scientificamerican.com/article.cfm?id=solving-the-cocktail-party-problem
以下关于”cocktail party problem”的文字引用自该链接：http://xiaozu.renren.com/xiaozu/121443/thread/335879281
stanford机器学习公开课(ml-class.org)第一章unsupervised learning那段视频里解决鸡尾酒会问题(cocktail party problem)就写了一行代码：
[W,s,v] = svd ((repmat(sum(x.*x,1),size(x,1),1).*x)*x’);
lz土人感觉是用了PCA的方法。。可是W运行出来丝毫没有unmixing的效果。。。用的是采样频率16kHz的Speech-Speech和Speech-Music两个样例。。
google这条代码有post说这是ICA，我就迷茫了。。。看不出来怎么是ICA了。。折腾一夜了，毫无头绪。。。
顺便求此问题的demo。。各种语言均无妨。。
本文链接地址：http://www.52nlp.cn/coursera%E5%85%AC%E5%BC%80%E8%AF%BE%E7%AC%94%E8%AE%B0-%E6%96%AF%E5%9D%A6%E7%A6%8F%E5%A4%A7%E5%AD%A6%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AC%AC%E4%B8%80%E8%AF%BE%E5%BC%95%E8%A8%80introduct
Coursera公开课笔记: 斯坦福大学机器学习第一课“引言(Introduction)”相关推荐
- Coursera公开课笔记: 斯坦福大学机器学习第二课“单变量线性回归(Linear regression with one variable)”
Coursera公开课笔记: 斯坦福大学机器学习第二课"单变量线性回归(Linear regression with one variable)" 发表于 2012年05月6号 由 ...
- Coursera公开课笔记: 斯坦福大学机器学习第六课“逻辑回归(Logistic Regression)”
Coursera公开课笔记: 斯坦福大学机器学习第六课"逻辑回归(Logistic Regression)" 斯坦福大学机器学习第六课"逻辑回归"学习笔记,本次 ...
- Coursera公开课笔记: 斯坦福大学机器学习第七课“正则化(Regularization)”
Coursera公开课笔记: 斯坦福大学机器学习第七课"正则化(Regularization)" +13投票 斯坦福大学机器学习第七课"正则化"学习笔记, ...
- Coursera公开课笔记: 斯坦福大学机器学习第十一课“机器学习系统设计(Machine learning system design)”
Coursera公开课笔记: 斯坦福大学机器学习第十一课"机器学习系统设计(Machine learning system design)" 斯坦福大学机器学习斯坦福大学机器学习第 ...
- Coursera公开课笔记: 斯坦福大学机器学习第四课“多变量线性回归(Linear Regression with Multiple Variables)”
Coursera公开课笔记: 斯坦福大学机器学习第四课"多变量线性回归(Linear Regression with Multiple Variables)" 斯坦福大学机器学习第 ...
- 斯坦福大学机器学习第一课“引言(Introduction)”
斯坦福大学机器学习第一课"引言(Introduction)" 一.机器学习概览 1)机器学习定义:机器学习是人工智能的一个分支,目标是赋予机器一种新的能力.机器学习的应用很广泛,例 ...
- 斯坦福大学机器学习第二课 “单变量线性回归”
斯坦福大学机器学习第二课"单变量线性回归(Linear regression with one variable)" 发表于 2012年05月6号 由 52nlp 斯坦福大学机器学 ...
- 机器学习公开课笔记(1)：机器学习简介及一元线性回归
初步介绍 监督式学习: 给定数据集并且知道其正确的输出应该是怎么样的,即有反馈(feedback),分为 回归 (Regressioin): map输入到连续的输出值. 分类 (Classificat ...
- 斯坦福大学机器学习课程原始讲义 + 公开课视频
斯坦福大学机器学习课程原始讲义 + 公开课视频 斯坦福大学机器学习课程原始讲义 本资源为斯坦福大学机器学习课程原始讲义,为 Andrew Ng 所讲,共计20个PDF,基本涵盖了机器学习中一些重要的 ...
最新文章
- 自己动手实现OpenGL之glViewPort（一）
- Python中sorted函数的用法
- Scala是完全面向函数式的编程语言体现点
- iOS GPUImage之视频采集GPUImageVideoCamera
- PooledByteBuf源码分析
- 【pyqt5学习】——graphicView显示matplotlib图像
- java 根据类名示例化类_Java类类getEnclosingClass（）方法及示例
- **【POJ - 2389】 Bull Math （高精度乘法）
- 【iCore1S 双核心板_FPGA】例程十：乘法器实验——乘法器的使用
- linux命令进入用户模式,linux怎么切换到root用户模式
- 设置java路径_关于java路径设置
- 2019-不得不了解的前端趋势
- 认识计算机的桌面,电脑桌面的基础知识教程，教你认识电脑桌面
- 20、斐⽒数列是公元13世纪数学家斐波拉契发明的。即： 1， 2， 3， 5， 8， 13， 21， 34， 55， 89， ……， 输出其前15项。
- uniapp ios打包详细步骤
- 右上角的引用文献格式_论文要引用的小符号右上角怎么打？
- 使用ethers.js执行读函数与写函数
- Windows10 内存占用过高怎么办并且持续增长,怎么办？
- 解决由于intelRST问题导致无法安装ubuntu
- 深度学习Dya1-初识Python（Python环境搭建及numpy、matplotlib包安装）