1.机器学习的发展进程、
AI包括机器学习,机器学习包括深度学习
2.什么是机器学习
机器学习相当于你自己编写一段程序用于识别语言识别,图像识别(简单地介绍,作用远不止),李老师ppt的图片形象地表示如下:
机器学习一定程度上相当于在一大堆方法中寻找一个合适的function(方法)去对数据进行处理
找到对的方法很重要:
3.机器学习的框架
第一步:建立一个方法集A set of dunction(Model),包含许多方法,供后面筛选。
第二步:利用训练数据集Training Data去计算方法集中每一个方法的优秀程度Goodness,反之于错误率。
第三步:选出最优秀的方法。
第四步:利用测试数据Testing data去测试数据。
4.机器学习的学习导图
先上学习导图
4.1Suprvised learning监督学习
Regression(回归)
回归输出是一个数值(标量),通过对训练数据训练得到预测方法,进一步实现预测。
分类Classification
分类分为二元分类Binary Classification和多元分类Multi-class Classfication
Binary Classification的输出是yes 或者no
Multi-class Classfication的输出是多个分类结果
根据分类模型(方法)的不同,分类的方法有线性方法Linear Model和非线性方法Non-Linear Model的区分,Deep Learning就属于Non-Linear Model。
回归Regression和分类Classification均属于监督学习Supervised learning。
Supervised learning需要人工的参与,同时在数据的训练阶段,需要大量的标记(这里的标记,举个例子,比如这个是狗,那个是猫,确定好类别)的数据labelled data去训练,但是大量的labelled data的获取是很困难的,那么有什么办法去解决呢?看下面介绍咯!
4.2Semi-supervised learning半监督学习
半监督学习中有部分的labeled data和部分的Unlabelled data,同时在训练阶段起作用,以后详细介绍。
4.3Transfer Learning迁移学习
在Transfer Learning中的数据中,有labelled和Unlabelled,也有相关的也有不相关的,同样在学习阶段起作用,如何起作用在以后的学习中详细介绍。
4.4Unsupervised learning非监督学习
Unsupervised learning是指给了样本,但是这个样本是只有数据,但是没有其对应的结果,要求直接对数据进行分析建模。
比如下面
通过对样本图片进行学习,自己尝试画出图片。
4.5 Structured Learning结构化学习
不同于监督学习中的回归和分类中输入输出,在实际问题中,我们的输入输出可能是别的结构。比如:
4.6 Reinforcement Learning强化学习
Reinforcement Learning不同于supervised learning相当于一个老师在旁边手把手教你怎么输出,Reinforcement Learning则是从评价中学习,如下图:
下围棋supervised learning相当于你是基于当前棋盘的情况判断下哪里,而强化学习是在一次次的瞎走之后,根据反馈的结果进行训练,到最后发现走哪里才可以赢进行学习。
阿尔法狗就是supervised learning和Reinforcement Learning的结合。