李宏毅机器学习 <Datawhale task1学习笔记>

本文深入浅出地讲解了机器学习的基本概念,涵盖了监督学习、半监督学习、迁移学习、无监督学习和强化学习的区别与实践。通过育儿比喻阐述机器学习目标,探讨了如何通过训练让机器自主学习。最后,解释了为何学习机器学习的重要性和常用资源。
摘要由CSDN通过智能技术生成


一、机器学习是什么?

简化版育儿过程。
就是机器(名词)学习(动词)

目标:机器干活快,想办法让机器帮我们干活
已知机器的优点:听话
已知机器的缺点:只会听话
问:如何让机器能够“无师自通”,不需要我们一条条写if就知道下一步要做什么??

一个“只会听话”,即所有举动都需要人为设定好场景的机器将永远无法超越给他制定规则的人类,这样也没法发挥机器更大的价值。而且我们累死也不可能把所有的东西都教给机器。
请添加图片描述
所谓授人以鱼不如授人以渔,因此,我们通过不同方式教会机器“像人一样进行学习”这项过程,可以省去我们的大量工作和精力,用很高的效率达到目的。这就是机器学习。


二、机器学习怎么做?

请添加图片描述

找到a set of function——判断function好坏——想办法找到最好的function

训练——预测

首先,我们要有一个目的:让机器做什么。比如,让机器看图识猫。
这个“看图识物”的过程可以看作一个function,我们想办法产生 a set of function,让机器判断一个图片是什么:
function1:f(狸花猫.jpg)=“猴子”
function2:f(狸花猫.jpg)=“狗”
function3:f(狸花猫.jpg)=“猫”

在一系列的许许多多的function中,想办法(有效率的演算法)找出最好的那个(function3)。(f*)请添加图片描述
找到后就可以认为机器习得这个本领,进行应用:
function3:f(英短.jpg)=“猫”

三,机器学习方法有哪些?

请添加图片描述

1,监督学习

我们给机器的学习提供帮助(“监督”):给予大量已知标签的样本让机器学习。(所有的data都有label)
(感觉有点像某种测IQ的题:假设已知1234得5,已知3410得7…求8123得几这样)(好像又不太准确)
某个IQ题

可以做的事情:

  • 预测
  • 分类

监督学习中的结构化学习:让机器的输出是有结构性的

2,半监督学习

我们没有这么多已经标注了的data。有一少部分已知标签的样本,一大部分未知标签的样本,这种时候对于未知标签的样本,让机器自己学习,所谓“半监督”。(一部分data有label,一部分没有)

3,迁移学习

有超多种可能和现在没关系的data,一部分data有label,一部分没有。不相干的data到底可以带来什么帮助,这个就是迁移学习要讲的问题。

4,无监督学习

所有data都没有label!你自己学!然后output!

5,强化学习

根据反馈结果的好坏来判断“正确答案”是什么。最像人学习的过程的方法。

四,为什么要学习机器学习?

为什么,这世界上要有宝可梦训练师!!
请添加图片描述


尝试retell上课所学内容,难免会有写错理解错的地方,如果发现了还请指正> <
写文章还挺费劲的,而且很难长时间一直写文章(会被各种事情打扰),之后考虑晚上学习早上写文章惹…希望之后就算不写这么多这么啰嗦也好歹至少坚持下去(;´д`)ゞ


参考资料

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值