斯坦福大学数据挖掘公开课学习笔记____Lesson1

本文主要是介绍斯坦福大学数据挖掘公开课学习笔记____Lesson1,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

 Lesson 1

这节课主要介绍机器学习的分类。

(一) 机器学习主要处理的三类问题

 

(1)      监督学习(supervisedlearning):通过学习来预测房屋价格的问题是监督学习问题的一个例子。之所以称之为监督学习是因为我们为这个算法提供了一组房屋大小和某种程度上可以看成正确答案的房屋价格的数据。换句话说,我们在“监督”问题的算法,给算法提供了一组“标准答案”。就像房屋价格这个例子,我们希望算法去学习标准输入和标准答案之间的联系,以尝试对于我们的其他输入给我们提供更为标准的答案。

   

 

(2)      无监督学习(unsupervisedlearning):有一组数据,不告诉我们任何关于数据的任何标准答案,聚类问题(cluster就是一种最常用的无监督学习的例子。

 

(3)   强化学习(Reinforcement learning):它可以被用在你不需要进行一次决策的情形中。例如,在利用监督学习进行癌症预测的例子中,对于一个病人,你要预测他的肿瘤是否为恶性,你的预测决定了病人的生死,你通过决策产生了一个结论,要么对要么错。在强化学习中,对每一个action都进行评估测,如果评测的结果是正向的,则加强这个action的产生策略,用两个神经网络来实现RL一个产生行动的NN,一个评估NN,其中评价用reward function来实现。

 

 

(二)学习理论(Learning Theory)

这部分内容虽然和模型算法没有什么直接关系,但是却很重要,是研究机器学习的基础。首先看看PCA(independent component analysis),中文名叫做主成分分析;在做ML时我们需要做feature extraction,如果feature过多则会有可能造成结果overfitting,这时我们需要做feature降维,即把m个feature将为n个(n<m),这个过程就叫做PCA,它的理论基础是有些feature之间会有信息重叠,有重叠就会出现冗余,实现的最重要理论是最大方差理论,最好的n维特征是将m维样本点转换为n维后,每一维上的样本方差都很大。第二个概念是ICA(Independent component analysis),中文名是独立成分分析;(前面说的PCA对于Gaussian分布的数据比较有效,但是对于其它数据分布效果不好)ICA假设信号源(数据或者特征)相互独立,通过一个线性变换,根据信号将其分析出来。

 

 

这篇关于斯坦福大学数据挖掘公开课学习笔记____Lesson1的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/946441

相关文章

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识