机器学习概述

机器学习算法（4~5类）

//有标签有结果
监督学习（supervised learning）：例如标签对图片，神经网络
非监督学习（unspervised learning）：例如给图片，不给结果，让计算机自己分类
半监督学习（Semi-supervised learning）：例如在少量有标签，大量没标签中， 进行学习和分类

//依靠经验
强化学习（reinforcement learning）：机器人行为准则，给条件和结果，让机器人自己学习到达结果，例如，给机器人一个球，并给他判定进球。 AlphaGo
遗传算法（genetic algorithm）：模拟计划理论，例如玩马里奥，让机器人不断玩，不断进化，最后选出最强的

神经网络

人工神经网络 VS 生物神经网络

人工神经网络工作：连接一开始就存在，通过 误差反向传递，更新神经元

生物神经网络工作：通过刺激，建立连接，

特征标准化

把输入的数据做处理（minmax normalization 趋整，std normalization趋平），让机器学习得出的结果不会太偏与推进机器学习的速度

神经网络

优化算法：神经网络是其中一种梯度下降的方法论，每次都能更具梯度下降得到一个最优解（但是通常最优解是不只一种），我们只能得到局部最优解。全局最优解就是追求真理的过
多维

卷积神经网络（CNN）

场景：图片数据（长宽高（RGB）），经过卷积得到高度更高的图片，最后分类
最佳实践：image->convolution->ma polling->convolution->ma polling->fully connected*2->classifier

循环神经网络（RNN）

场景：data RNN result 其中RNN会包含上次运算之后的记忆
最佳实践：长短期记忆（LSTM） 解决了回忆久远的东西会忘记。
LSTM模型：输入控制 LSTM-RNN（忘记控制） 输出控制
主线 - 分线

生成对抗神经网络（GAN）

场景：画家（Gennertor） 灵感 作品 鉴赏家（Discriminator） 名家作品
模型：Gennertor->随机数->作品->Discriminator->参考作品

---

强化学习

自编码（Autoencoder)

场景：图片 打码 还原 图片
结构：前部分（编码器）得到数据精髓，在通过神经网络得到结果，然后通过对比前后图片的误差对比前后的结果强化学习过程