大家好，
我的名字叫Dhruv [aka DK]，我将写一系列博客并在此处发布我的学习/发现/疑问。 我对学习机器学习进行了大量研究，发现安德鲁·伍（Andrew Ng）开设的机器学习课程是在实际实施算法之前学习核心概念的绝佳起点。 我会尽量简洁明了，以使内容清晰明了。 对于希望从头学习ML的所有ML爱好者，我希望它成为有用的信息线索。
- 给她五个：第4部分。
- 惠特米尔（Whitmire）：与Charters合作，AppleTree播种了早期教育Ed的新方法
- 何塞·弗洛雷斯专访
- 如何学习新
- 对于没有数学/统计背景的人，如何成为#Data #Scientist。
课程名称： Andrew Ng在 coursera.org 上进行的机器学习
介绍：
问：ML当前在哪里使用？
要挖掘数据（用户点击次数，病历等），计算机视觉，自动驾驶车辆，自然语言处理，手写识别，Amazon的产品推荐或Netflix的电视系列推荐等等…
问：什么是机器学习？
机器学习是一种自动化分析模型构建的数据分析方法。 使用迭代地从数据中学习的算法，机器学习允许计算机查找隐藏的见解，而无需明确地编程查找位置。 [ 由ML的领导者之一sas提出 ]
问：ML算法有哪些类型？
基本上有2种类型：
一世。 监督学习：
在监督学习中，我们得到了一个数据集，并且已经知道我们正确的输出应该是什么样子，并认为输入和输出之间存在关系。
主要有2种类型：
回归问题：我们尝试将输入映射到连续函数（线性/非线性）并预测连续输出。
[预测住房价格，例如说一个月内估计产品的单位销售]
分类问题：我们尝试将输入映射到离散函数（通过分离输入）并预测离散输出。
[患者是否根据肿瘤大小，患者年龄，被黑客入侵的用户帐户数患有乳腺癌]
ii。 无监督学习：
通常，数据没有被标记或组织，问题在于找到某种结构。 最为广泛使用的无监督算法类型之一是聚类算法。
真实世界的应用程序：Google新闻/ Facebook新闻，它将来自各种来源，社交网络分析，市场细分的类似新闻分组。
数学：
掌握微积分和线性代数的良好背景对学习各种算法至关重要。 我早在6年前就已经在学校学习了它们，并且一直想知道何时使用它们！ 今天，我将集中讨论两个基本概念：
一世。 具有一个变量的线性回归： 链接
ii。 线性代数： 链接
我的看法：
ew，这就是第一天的全部。所以，我了解了机器学习的应用以及ML（有监督和无监督）的类型。 我假设“有监督”相对于“无监督”将相对容易实现和理解。 此外，安德鲁还提到了称为Octave的开放源代码工具，该工具可用于进行快速PoC，同时开发算法并随后在更高级别的编程语言（如C ++ / Java）中实现它。
因为我刚开始，所以我对ML感到非常兴奋，希望我能跟上它。
第一天签署
-DK，和平与爱！
