机器学习的应用

01／20

最近在系统地学习斯坦福大学的机器，

共有20课，这是第一课《机器学习的动机与应用》的学习心得。

一、监督学习

特点：提供标准答案的训练数据

任务类型：回归、分类

回归：数据连续

例：根据面积预测房价

应用：

我们可以到各大房产网，爬取房屋的大小及售价价格，做一个预测房价的产品。

分类：数据离散

例：根据各种特征判断肿瘤是良性还是恶性

面对只有“是”与“否”，2种答案的问题，我们都可以应用这种方式。

应用：

我们可以想到的各种判断题，都可以做成一个产品，比如如何判断一个设计作品的好坏，一个用户是否说谎，😄。

课上，还提到了支持向量机SVM ( Support Vector Machine )，可以用于特征降维。

二、无监督学习

特点：训练数据无标准答案

任务类型：聚类

如上图，是前面介绍的监督学习中的分类问题，在无监督学习中，我们不知道所提供的数据到底代表的是恶性还是良性肿瘤，可以通过聚类算法，去找到一个下图所示的结构，把问题分类，如下图所示：

例：图像像素聚类

可以得到图像的各个元素，然后，进行三维重建：

应用：

拍摄一张照片，即可在三维场景中进行浏览。

例：分离不同声音，鸡尾酒会问题

在酒会上嘈杂的环境，录下的声音，我们可以用机器学习进行声音的提取、分离。

应用：

提取电影、歌曲中的各种声音。

其中，提到了ICA算法：

独立成分分析

Independent Component Analysis

主要用来从混合数据中提取出原始的独立信号。

三、强化学习

如何定义好行为，跟坏行为，利用学习型算法，来尽可能地获得更多的回报和更少的惩罚。

例：

机器人领域；

网页爬取

例：学习型算法控制的直升机：

老师是这么解释的：

每当它做了错误的事情，我们就会说”坏直升机“，直升机就能从每次所得到的反馈中，学习，成长，😁。

我们需要定义好如何算是”好行为“，”坏行为“：

应用：

各种机器人产品。

以上为全文内容。

---

  谈点设计，敲点代码，

偶尔创作点人工智能实验产品  

主要技术栈：

nodejs、react native、electron