在監督學習中，我們會有一組已經知道輸出結果應該是怎麼樣的資料集，也就是說，知道輸入和輸出之間會有一種特定的關係。
然後，在監督學習中問題又被分成「回歸」和「分類」兩類問題。
回歸（regression）：**的是一組連續的輸出結果，也就是說需要將輸入的資料與某個特定的連續函式所對應起來。
分類（classification）：**的是一組離散的輸出結果，也就是把輸出變數對映為乙個離散的類別。
下面舉了兩個例子（包括在coursera的習題中也有相應的問題）：
無監督學習，允許我們在不知道結果是什麼樣子的情況下來解決問題，與監督學習明顯不同，我們可以從資料中推出我們不知道的變數所帶來影響的結構。
而且在無監督學習中，我們所**的結果是得不到反饋資訊的。
下面是乙個無監督學習的例子：
吳恩達機器學習筆記 監督學習和無監督學習
1.監督學習 通過給定的資料集，進行 得到 正確的答案 並且資料集已經包括了答案。如 100平的房價100w,120平的房價120w,140平的房價140w,通過學習，我們可以 150平的房價150w左右。1.1回歸和分類 回歸指我們的 值應該是個連續輸出值 real valued output 如...
吳恩達機器學習筆記之無監督學習
和監督學習相比，無監督學習的資料集是沒有標籤的。所謂沒有標籤的意識就是我們對資料一無所知，但是要借助一些演算法試著幫我們尋找到資料的某些結構特性。聚類 clustering 演算法是我們要學習的第乙個無監督學習的演算法，將我們的資料分成不同的簇。假設我們有下圖所示的資料集 k means演算法是乙個...
吳恩達機器學習筆記 14 無監督學習
本章講述的是第乙個無監督的機器學習演算法，在無監督的演算法中，樣本資料只有特徵向量，並沒有標註的y值。比如聚類演算法，它可以用在市場分類 社交網路分析 天體資料分析等等。在做聚類時，最簡單的演算法就是k means，一般的流程是 首先隨機選擇k個聚類中心點 遍歷所有的樣本，選擇乙個距離最近的中心點，...