第一部分机器学习（一）：导论

什么是机器学习？

1.机器学习 == 寻找一种函数

这个函数可以是：

1. 语音识别:输入一段语音信号，输出文字
f(

)$="howareyou"$

2. 图像识别:输入图片，输出图片的属性
f(

)$=“cat”$

3. 智能控制：输入棋盘局势，输出下一步落棋位置
f(

）="5∗5"

4. 对话系统: 输入语言，系统回复
$f("Hi")="Hello"$

2.如何寻找这个函数

和把大象放冰箱一样，一共分三步：
   1.定义一个函数集合（define a function set）
   2.判断函数的好坏（goodness of a function）
   3.选择最好的函数（pick the best one）

3.学习路线

1. 监督学习(Supervised learning)

2. 半监督学习(Semi-Supervised learning)

3. 迁移学习（Transfer learning)

4. 非监督学习(Unsupervised learning)

5. 结构化学习(Structed learning)

3.1 监督学习

监督学习是在有数据标注的情况下进行学习。
回归：（Regression）
回归问题，寻找函数f的输出为一个数值。一般用于预测。
该问题一般是通过大量的训练数据，找到相对正确的函数。
例如：我们可以从历史的PM2.5的数据中，找到规律，预测未来的PM2.5

分类：（Classification）
分类问题可以分为二分类，和多分类。

3.2 半监督学习（Semi-Supervised learning）

半监督学习，是学习的过程中，当训练数据中带标记的（labled）数据不够多
举个例子：识别猫和狗的过程中：
带标记的数据：

不带标记的数据：

3.3 迁移学习（Transfer learning)

迁移学习是在已经学习的基础上，去做看似和以前学习不相关的事情，但是实际效果很好。
例如：还是识别猫狗的例子，我们可以在识别猫狗的基础上识别大象、老虎。（在一定的基础上进行学习）

3.3 非监督学习(Unsupervised learning)

非监督学习就是在没有具体数据标注的情况下进行学习。
例如：

（1）机器阅读：机器在大量的文档中学会词语的意思

（2）机器绘画：机器在看过图片信息后，自己绘制图片

3.4 结构化学习(Structed learning)

结构化学习就是要超越简单的回归和分类，函数产生结构化的结果：比如图片、语言、声音。

f(

)=(机器学习是未来的钥匙！)

--------------期待开始--------------

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/31556503/viewspace-2286678/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/31556503/viewspace-2286678/