斯坦福大学cs229学习体会(1)-机器学习入门

斯坦福大学cs229学习体会(1)-机器学习入门

之前在上一家公司实习的时候做了一些和机器学习有关的内容，是一个朴素贝叶斯的分类预测。当时没有机器学习的基础，就自己一个人各种查阅资料，请教同事。总算是完成了一个基于朴素贝叶斯分类的预测算法的实现，并且准确度也很高。觉得整个项目很有意思，就自己开始自学机器学习的一些东西，看过cs229几节课也看过231,也看过台大的教授的课。但都因为自己的原因学到一半停止了，效果也不好。最近因为换了份工作，发现自己对机器学习的兴趣依然不减，遂有了重新学习吴恩达的课程的冲动，并发现有了之前的学习，对很多东西有了新的认识。
写这样一个博客，一是为了督促自己继续学下去，二是为了记录自己学习中的一些感悟，也许对一些小白能有一些帮助。
机器学习的学习个人感觉有三个方面

• 算法数学原理
• 算法的变成实现
• 实际项目的应用

这套学习体会会把主要思路放在算法的数学原理。我将在后续学习中尝试进行代码的实现。
目前我们学习的课程都是有监督学习，就是已知一件事情的特征和结果的的学习。一般来说我们会把数据分为训练集和测试集，训练集用来学习得到相应的函数，测试集用来测试我们算法的精确度。

监督学习的本质可以用这样一张图来分析

在这张图片中我们可以看到，training set中是一个学习集，学习的数据通过学习算法(Learning Algorithm)得到了一个假设函数h(hypothesis)。随后我们在预测的过程中，把新的数据集输入，通过h函数得到相应的输出，这个h可以得到一个连续值(如各种回归算法)，也可以是不连续的(如各种贝叶斯分类算法)等。在之后的学习中，都将围绕这些内容进行学习研究。
明天开始要去厦门旅游，所以下一章的内容可能会延迟的久一点，下一章主要和大家聊聊我认识的回归算法，包括线性回归，局部加权回归，以及如何求解这些算法的数学原理。