系列文章目录
- 机器学习（一） 监督学习和无监督学习
- 机器学习（二） 代价函数和梯度下降
- 机器学习（三） 矩阵的运算及性质
- 机器学习（四） 多元线性回归和正规方程
- 机器学习（五） Octave的使用介绍
- 机器学习（六） logistic 回归算法
- 机器学习（七） 过拟合问题与正则化
- 机器学习（八） 神经网络的表示及工作原理
- 机器学习（九） 神经网络的学习与实现算法
- 机器学习（十） 偏差和方差问题
- 机器学习（十一） 机器学习系统设计
- 机器学习（十二） 支持向量机
- 机器学习（十三） 无监督学习：聚类算法
- 机器学习（十四） 无监督学习：降维
- 机器学习（十五） 异常检测
- 机器学习（十六） 推荐系统
- 机器学习（十七） 大规模机器学习
- 机器学习（十八） 应用实例：照片OCR
Log
2022.08.18还有两三天就开学了，终于搞完了所有内容，明天收个尾整理一下就可以了
2022.08.19收工！
- 本篇文章是对之前所有课程的重点的总结
S u p e r v i s e d l e a r n i n g − L i n e a r r e g r e s s i o n , l o g i s t i c r e g r e s s i o n , n e u r a l n e t w o r k s , S V M s \begin{aligned} &\rm Supervised\ \ learning\\ &\rm -\ Linear\ \ regression,\ logistic\ \ regression,\ neural\ \ networks, SVMs \end{aligned} Supervised learning− Linear regression, logistic regression, neural networks,SVMs - 在课程中我们花了很多时间来讲监督学习算法，比如线性回归、逻辑回归、神经网络以及支持向量机，在这些问题中，我们会有带标签的数据和样本，比如 ( x ( i ) , y ( i ) ) (x^{(i)},y^{(i)}) (x(i),y(i))；
U n s u p e r v i s e d l e a r n i n g − K − m e a n s , P C A , A n o m a l y d e t e c t i o n 、、 \begin{aligned} &\rm Unsupervised\ \ learning\\ &\rm -\ K-means,\ PCA,\ Anomaly\ \ detection、、 \end{aligned} Unsupervised learning− K−means, PCA, Anomaly detection、、 - 我们还花了很多时间花了很多时间来讲无监督学习算法：例如 K K K 均值聚类算法，以及主成分分析法来进行降维，以及异常检测算法，它可以用于当我们只有无标签数据 x ( i ) x^{(i)} x(i) 时，当然异常检测算法有时也可以用一些带标签的数据来对算法进行评估；
S p e c i a l a p p l i c a t i o n s / s p e c i a l t o p i c s − R e c o m m e n d e r s y s t e m s , l a r g e s c a l e m a c h i n e l e a r n i n g \begin{aligned} &\rm Special\ \ applications/special\ \ topics\\ &\rm -\ Recommender\ \ systems,\ large\ \ scale\ \ machine\ \ learning\\ \end{aligned} Special applications/special topics− Recommender systems, large scale machine learning - 我们还花了一些时间来讲一些特定的应用和话题，比如推荐系统，以及大规模机器学习系统，包括映射归约（ M a p R e d u c e MapReduce MapReduce）算法，还讲了一些其他应用，例如滑动窗口分类器，用于解决计算机视觉的问题。
A d v i c e o n b u i l d i n g a m a c h i n e l e a r n i n g s y s t e m − B i a s / v a r i a n c e , r e g u l a r i z a t i o n ; d e c i d i n g w h a t t o w o r k o n n e x t : e v a l u a t i o n o f l e a r n i n g a l g o r i t h m s , l e a r n i n g c u r v e s , e r r o r a n a l y s i s , c e i l i n g a n a l y s i s \begin{aligned} &\rm Advice\ \ on\ \ building\ \ a\ \ machine\ \ learning\ \ system\\ &\rm -\ Bias/variance,\ regularization;\ deciding\ \ what\ \ to\ \ work\ \ on\ \ next:\ evaluation\\ &\rm\ \ \ \ of\ \ learning\ \ algorithms,\ learning\ \ curves,\ error\ \ analysis,\ ceiling\ \ analysis \end{aligned} Advice on building a machine learning system− Bias/variance, regularization; deciding what to work on next: evaluation of learning algorithms, learning curves, error analysis, ceiling analysis - 最后，我们还花了很多时间从各个不同的方面给出了如何构建机器学习系统的建议，其中包括尝试了是什么东西使得机器学习算法工作或是不工作，所以我们讨论了偏差和方差，以及如何使用正则化来解决一些方差问题，同时我们还花了一点时间来讨论了如何决定下一步该做什么，也就是当我们在开发机器学习系统时如何合理分配我们的时间，因此我们讨论了学习算法的评价方法，介绍了诸如召回率和 F 1 F1 F1 分数这样的评价指标，以及实践方面的评测方法，比如训练集、交叉验证集和测试集；我们还花了很多时间介绍了如何调试算法，确保学习算法能够正常工作，所以我们讲了一些诊断方法，比如学习曲线，还有误差分析、上限分析等内容。所有这些工具都能在我们开发一个机器学习系统时，帮助我们决定下一步该怎么做，以及如何分配我们宝贵的时间
- 除了拥有这些机器学习的工具外，这些机器学习的工具包括，例如监督学习、无监督学习等等，希望大家不仅仅只是认识这些工具，更重要的是怎样有效地使用它们来构建强大的机器学习系统。
结束语
机器学习是一门在科学、技术和产业方面都有着深远影响的学科，现在我们已经具备了使用这些机器学习的工具来发挥巨大作用的能力，希望大家能够利用这些机器学习工具来构建出色的系统和应用以及出色的产品，并且希望大家能够利用机器学习，不仅仅是为了自己更是为了有朝一日能够造福其他人的生活。
本文含有隐藏内容，请 开通VIP 后查看