机器学习1

机器学习的概念

所谓的机器学习，就是让机器学会自动的找到函数或者解决方法，举例来说，语音识别（Speech Recognition）就是将输入的声音通过函数变化转变成符号输出，因为这样的函数太过于复杂，靠人工很难写出来，因此希望让机器通过学习可以自动找到这样的函数。

而你所需要的函数不同，对机器学习的目标也就不同。

输出的结果只有两种（yes or no）称为二分类输出（Binary Classification）

输出结果有很多种（有限个制定好的选项）称为Muti-class Classification

让机器通过学习，自己生成复杂的答案而非单纯的做题，称为Generation

如何将我们需要获得的函数或目标结果告知给机器

Surpervised Learning，通过训练机器，对一些符合目标的数据进行Data Labeled，告诉机器理想的输出是什么样，这就是supervised learning。

机器可以根据你所提供的数据，对函数进行评估，得到函数的损失（Loss），借此来判断函数的错误率是否符合要求，loss越小，函数也就越符合我们预期的要求。机器就可以找出loss最小的函数。

Reinforcement Learning，不需要提供数据，而是自主学习，也称之为“强化学习”。比如说阿尔法狗，就是先通过supervised learning掌握一些棋谱，然后进行强化学习，超越人类（不当人啦）。

机器如何找到目标函数（目标方法）

给定一个函数范围，让机器在某一个范围内寻找最好的方法，比如说，只需要寻找线性函数，这个给定范围就叫做Network Architecture，其中最经典的两个，就是RNN（循环神经网络）和CNN（卷积神经网络）。