李宏毅机器学习三天速成~~~第一课~~~Introduction

1.机器学习的发展进程、

AI包括机器学习，机器学习包括深度学习

 2.什么是机器学习

机器学习相当于你自己编写一段程序用于识别语言识别，图像识别（简单地介绍，作用远不止），李老师ppt的图片形象地表示如下：

机器学习一定程度上相当于在一大堆方法中寻找一个合适的function（方法）去对数据进行处理

找到对的方法很重要：

3.机器学习的框架

第一步：建立一个方法集A set of dunction(Model)，包含许多方法，供后面筛选。

第二步：利用训练数据集Training Data去计算方法集中每一个方法的优秀程度Goodness，反之于错误率。

第三步：选出最优秀的方法。

第四步：利用测试数据Testing data去测试数据。

4.机器学习的学习导图

先上学习导图

4.1Suprvised learning监督学习

Regression（回归）

回归输出是一个数值（标量），通过对训练数据训练得到预测方法，进一步实现预测。

分类Classification

分类分为二元分类Binary Classification和多元分类Multi-class Classfication

Binary Classification的输出是yes 或者no

Multi-class Classfication的输出是多个分类结果

根据分类模型(方法)的不同，分类的方法有线性方法Linear Model和非线性方法Non-Linear Model的区分,Deep Learning就属于Non-Linear Model。

回归Regression和分类Classification均属于监督学习Supervised learning。

Supervised learning需要人工的参与，同时在数据的训练阶段，需要大量的标记（这里的标记，举个例子，比如这个是狗，那个是猫，确定好类别）的数据labelled data去训练，但是大量的labelled data的获取是很困难的，那么有什么办法去解决呢？看下面介绍咯！

4.2Semi-supervised learning半监督学习

半监督学习中有部分的labeled data和部分的Unlabelled data，同时在训练阶段起作用，以后详细介绍。

4.3Transfer Learning迁移学习

在Transfer Learning中的数据中，有labelled和Unlabelled，也有相关的也有不相关的，同样在学习阶段起作用，如何起作用在以后的学习中详细介绍。

4.4Unsupervised learning非监督学习

Unsupervised learning是指给了样本，但是这个样本是只有数据，但是没有其对应的结果，要求直接对数据进行分析建模。

比如下面

通过对样本图片进行学习，自己尝试画出图片。

4.5 Structured Learning结构化学习

不同于监督学习中的回归和分类中输入输出，在实际问题中，我们的输入输出可能是别的结构。比如：

4.6 Reinforcement Learning强化学习

Reinforcement Learning不同于supervised learning相当于一个老师在旁边手把手教你怎么输出，Reinforcement Learning则是从评价中学习，如下图：

下围棋supervised learning相当于你是基于当前棋盘的情况判断下哪里，而强化学习是在一次次的瞎走之后，根据反馈的结果进行训练，到最后发现走哪里才可以赢进行学习。

阿尔法狗就是supervised learning和Reinforcement Learning的结合。