Lecture 1 | Machine Learning (Stanford)
StanfordYouTube ↗
延伸阅读 4
从无监督学习，走到学习图像表示 →第一段描述没有给定正确标签时从数据发现结构；第二段提出从图像中学习比原始像素更有用的表示。可把表示学习问题作为理解无监督目标的一条具体路径。都没有老师给答案，学习信号却不同 →无监督学习片段要求从未标注数据发现结构；强化学习片段没有监督者指定动作，却明确提供奖励信号。并读可以澄清没有标签不等于没有反馈。用 AlphaGo 看见机器学习定义中的任务与经验 →Stanford 课程用任务、经验和性能指标描述学习问题；AlphaGo 的纪录片呈现棋谱模仿、自我对弈和从失误中学习。后者让抽象定义落到清楚的任务与经验来源上，也展示经验并非只能来自人工标注。动作会改变后续局面，不能把连续决策拆成孤立的分类题 →概括强化学习中的时间依赖；并非所有任务都有同样长的奖励延迟。
字幕解读
Andrew Ng 先说明课程目标与机器学习应用，再以“从经验中改进任务表现”定义学习问题。课程概览涵盖监督学习（回归、分类）、学习理论、无监督学习与强化学习：从带标签样本预测结果，到在无标签数据中发现结构，再到通过奖励学习连续决策。示例包括房价与肿瘤分类、聚类和鸡尾酒会语音分离，以及直升机和机器人控制；课程强调理解原理并把算法有效应用于真实问题。
自动字幕 · 引文按字幕原文展示，可点时间戳回看片段。
内容要点
- 机器学习适合难以手工编程的任务，形式上可描述为程序依据经验，在特定任务和性能指标上提升表现。
- 监督学习用带正确答案的数据学习输入到输出的映射，常见任务包括预测连续值的回归和预测离散类别的分类。
- 无监督学习从无标签数据中发现结构；强化学习则通过奖励信号改进连续决策，适用于机器人控制等任务。
视频章节 6
- 课程引入与机器学习应用
- 机器学习定义与经验
- 监督学习与预测任务
- 学习理论及泛化保证
- 无监督学习与发现结构
- 强化学习与序列决策
具体观点与证据 3
学习理论应帮助判断是否值得继续收集数据，而不只是教授某个算法如何运行。
课程介绍中的决策目标，尚未在本讲给出完整判断方法。
should you spending more time collecting more data or is it the case that you already have enough data从单张照片重建三维场景的演示结合了监督与无监督方法，像素聚类只是前处理步骤。
不能把整个三维重建能力归功于聚类本身。
this actually turned out to be a mix of supervised and unsupervised learning强化学习处理跨时间的决策序列；一次控制错误的后果可能延迟出现，不能只按单步分类看待。
以直升机控制解释延迟后果，字幕将crashing转成trashing。
the consequence of trashing it may not happen until much later补充字幕原文 2
讲者引用 Mitchell 的定义，强调学习需以经验为基础，并在任务表现上有所改进。
a computer program is set to learn from an experience无监督学习不提供每个样本的目标标签，而要求算法从数据本身找出有意义的结构。
I'm not going to tell you what the right answer is解读边界
这是课程第一讲的导论，提供领域与课程路线图；各算法只作概念性介绍，具体数学推导和实现留待后续课程。