台大李宏毅Machine Learning 2017Fall学习笔记 (1)Introduction of machine Learning

台大李宏毅Machine Learning 2017Fall学习笔记 (1)Introduction of machine Learning

       台大李宏毅讲的这门课应该不错，课程链接：

       http://blog.csdn.net/Allenlzcoder/article/details/78644733

       http://blog.csdn.net/Allenlzcoder/article/details/78644838

       现在将第1个视频的笔记记录于此。

       机器学习的整体框架如下图：

       机器学习的步骤很简单，就像把大象装进冰箱里一样简单。主要分为3步：

       （1）定义一组函数；（2）评价函数的好坏；（3）选择最好的函数。

       这门课的学习图如下所示：

       浅蓝色的表示学习情境(scenario)，通常使不能选择的。主要分为：1）监督学习；2）半监督学习；3）迁移学习；4）无监督学习；5）增强学习。

       学习的任务分为：回归、分类和结构化学习。回归和分类经常听到，结构化学习是未知的暗黑大陆。

       学习的方法分为：1）线性模型；2）非线性模型。其中非线性模型包含深度学习和传统机器学习的算法。

       先讲一下回归和分类问题。

       回归问题的输出是一个标量(或数值)，举例如下图。

       分类问题分为二分类和多分类，输出是label，举例如下。

       在分类问题中，一些很复杂的问题会使用深度学习的方法，比如图像识别和下围棋等问题。

       监督学习需要有大量的带标签的训练数据，如果很难收集大量(有一些有标签但不多)的有标签的数据，这种情景更适合用半监督学习。

       半监督学习举例如下图：

       迁移学习举例如下图：

       用不带标签的数据进行学习训练就是无监督学习。

       下面重点说下增强学习。

       监督学习和增强学习的主要区别在于：

       1）监督学习是从老师那里学习。相当于人当家教，手把手的教机器应该怎样做；

       2）强化学习是从评价中学习。在强化学习中，未告知机器正确答案，机器所拥有的的只是一个分数，即代表着机器做的好或不好。比如说，刚才机器做错了，但是机器不知道错在哪里，需要机器自己反省检讨。增强学习更符合人类学习的情景。

       让增强学习如此出名的原因是因为AlphaGo利用了监督学习和增强学习。       

       同学们！为了找个好饭碗，让我们为了成为一名优秀的AI训练师而继续前进！奋斗！