机器学习初步（一）：机器学习介绍

相关背景介绍略过不谈，直接记录相关内容！

机器学习相关技术

机器学习目前大致可按照如下分类：
主要包括监督学习、半监督学习、转移学习、无监督学习和强化学习

监督学习

监督学习，顾名思义，即为给出问题，同时给出答案，经过训练和测试后选出合适的模型。
典型的监督学习比如回归学习，**分类问题（二分类和多分类）**等等。

回归问题举例

1. PM2.5含量预测

比如提供某段时间内每天的相关检测数据，根据过去每天的PM2.5含量预测明天的PM2.5的含量。

分类问题举例

1. 垃圾邮件分类

这是一个二分类问题。根据提供的邮件数据和是否为垃圾邮件来训练模型。

2. 新闻分类问题

这是一个多分类问题。提供相关的新闻内容，经过学习实现将其分到对应的主题：教育、医疗、政治等等。

3. 围棋问题

围棋问题虽然使用的不是线性模型，但是也是一个多分类问题。围棋棋盘上一共19x19个位点，可以视为如此多个选项的分类问题。

提供足够多的棋谱数据，最终其可以学会围棋。（或许人类的学习也是如此吧，不断地训练不断地对局，最终对对手的想法了如指掌，无论别人怎么走，最终都能提前遏制对方的计谋甚至提前下套。而且计算机的速度可是快的多了，学习的速度相较而言也会快很多）

监督学习中的结构化学习

structured learning中让机器输出的是具有结构性的，比如：

input = 一段语音讯号，output=一个完整的句子；
input = 一个中文句子，output = 对应的英文翻译；
input = 一张图片，output = 人物名称以及各自的位置；
这些机器的输出很明显都是具有特定结构的。

半监督学习

监督学习我们需要提供足够多的输入和输入，同时每一个输出都需要人为确认。这些output被称为label。每一个label都需要人力标记的话，显然还是挺费事的。为了减少需要的label量，可以采用半监督学习。

假设你打算做一个猫和狗的分类器，但是只有少量的已标记的数据，另外是大量未标记的数据。在半监督学习里，这些未标记的数据同样可以为学习提供帮助。

迁移学习

同样的，假设只有少量的labelled data，但是还有大量的unlabelled data，其中除了猫和狗以外，还有其他的图片，迁移学习即可用来解决此类问题。

无监督学习

无监督学习相对于监督学习，对于模型只提供输入，不提供指定的输出，完全由模型自行在数据中学习任何可能的东西。比如，让机器在动物园看动物，最终能否自己创造出自己的“动物世界”。

强化学习

如果把强化学习和监督学习做个对比：在监督学习中，我们会给机器提供答案，机器按照答案修改自己的function，而在强化学习中，并不会提供一个准确的答案，而是给机器的答案打分，机器自行反思同时继续修改。比如：
若我们现在要用reinforcement learning方法来训练一个聊天机器人的话，他训练的方法会是这样：你就把机器发到线下，让他的和面进来的客人对话，然后想了半天以后呢，最后仍旧勃然大怒把电话挂掉了。那机器就学到一件事情就是刚才做错了。但是他不知道哪边错了，它就要回去自己想道理，是一开始就不应该打招呼吗？还是中间不应该在骂脏话了之类。它不知道，也没有人告诉它哪里做的不好，它要回去反省检讨哪一步做的不好。
著名的alpha Go就是监督学习+强化学习训练的。先是提供棋谱进行监督学习，然后再与机器对弈，根据最终的胜负判断自己做的好或者不好。就像是我们先是在书本上学习知识，后来步入社会或者参加科研时，许多做法的对错我们是不知道的，只能根据最终的结果自我修改！！

这是这次机器学习的第一次笔记，后续希望自己能够了解更多，学会更多吧！

注意：此文主要是参照datawhale的开源文档，相关图片皆是引用自文档！