Coursera-AndrewNg(吴恩达)机器学习笔记——第一周

一.初识机器学习

1. 何为机器学习？
   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.
   理解：通过实验E，完成某一项任务T，利用评价标准P对实验结果进行迭代优化！
2. 机器学习主要包括监督学习（supervised）和无监督学习（unsupervised），其他的还有增强学习，推荐系统（recommender systems）等。
3. 监督学习是指实验数据当中有可参考的正确输出，通常包括回归问题和分类问题。
4. 回归问题（regression problem）是指预测的值，也就是实验结果是连续的，有准确的数值。
   分类问题（classification problem）是指实验结果是离散的，不是一个准确的数值。
5. 无监督学习指聚类问题，不同于分类。如鸡尾酒会算法，在鸡尾酒会中分辨出人的声音和会场的音乐。

二.单变量线性回归问题（Linear regression with one variable）

1. 符号标记：m（训练集中样本的数量），X`s（输入变量/特征），Y`s（输出变量/目标变量），（x,y）表示一个训练样本。
2. 问题背景：使用房屋面积预测房价！问题描述如下图：
   
   上图从上向下看，表示将训练集带入到学习算法当中，进过训练得到预测函数h；再从左向右看，将房屋面积带入预测函数，输出预测的房价。
3. 单变量线性回归问题的预测函数可以表示为：h_θ(x)=θ₀+θ₁*x（其实就是y=ax+b），其中的θ_i为模型参数。所以我们的任务就变成了，使用训练集进行训练，最后得到最佳的θ_i值，使得我们得到的预测函数h_θ(x)最接近真正的预测函数。完成此任务的方法就叫做学习算法。