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)。