机器学习-学习心得-第一讲

在不直接针对问题进行编程的情况下，赋予计算机学习能力的一个研究领域 对于一个计算机程序来说，给他一个任务T和一个性能测量方法P，如果在 经验E的影响下，P对T的测量结果得到了改进，那么就说该程序从E中学习。
机器学习技术
1、监督学习（supervised learning） 2、无监督学习（unsupervised learning） 3、强化学习（Reinforcement Learning） 4、学习理论（Learning Theory） 5、半监督学习
线性回归 判别学习
逻辑回归
监督学习 （分类） 高斯判别 生成学习 SVM支持向 量机 K-means 机器学习 无监督学习 （聚类） 混合高斯 朴素贝叶斯
。。。
马尔科夫决 策 强化学习 MDP 。。。
机器学习问题解决思路
二、线性回归
1、数学模型
来自百度文库
2、代价函数
3、代价函数最优解-梯度下降
机器学习-学习心得-第一讲
一、机器学习概念基础
Andrew Ng 余凯
吴恩达
机器学习前提
1、计算机相关基础理论； 2、数据结构； 3、编程能力； 4、matlab/Octave等语言； 5、基础概率统计知识（随机变量/方差）； 6、基本线性代数（矩阵/向量） 7、基础的微积分知识
机器学习定义
3、代价函数最优解-梯度下降
3、代价函数最优解-梯度下降
数学模型-代价函数
三、后续安排
线性回归
判别学习 逻辑回归 监督学习 （分类） 高斯判别
生成学习
SVM支持向 量机 K-means 朴素贝叶斯
机器学习
无监督学习 （聚类）
混合高斯
。。。 马尔科夫决 策
强化学习
MDP 。。。