机器学习系列 - 入门

机器学习的整体框架

1.有监督的机器学习整体架构，总共分为是哪个步骤

    Step1 挑选一系列的方程，称之为 模型

    Step2 将方程带入训练集进行 好坏的判定

    Step3 挑选 最好的方程来对测试数据进行测试

学习曲线图

我理解的对于机器学习的定义：

机器学习就是用 Linear Model \ Deep Learning \ SVM \ decision tree \ K-NN ..... 等 方法对 回归问题、分类问题、结构性问题等进行 监督学习、半监督学习、迁移学习、无监督学习和强化学习等来解决问题的过程。

1. Regression 回归

    目标函数的输出 是   标量(scalar) 或者叫数据

2. Classification 分类

    二元分类

    多元分类

二元分类举例：邮箱判断是否为垃圾邮件

多元分类举例：大量新闻分类

分类问题分为线性问题和非线性问题

    

可以使用深度学习让电脑学会下围棋

监督学习特点：

需要找到输入和输出数据间有什么样的关系。

• 方程的输出称之为label方程的output一般没有好的办法取得，必须凭借人工力量标注出label

往往需要给目标函数大量的输入数据，  需要大量的付出才能得到label数据

a.如何减少label需要的量的方法1： 使用 Semi- supervised Learning 半监督学习

例如：做一个分类器，要分别照片是猫还是狗？ 目前只有少量的猫和狗的labeled 数据，但是又有大量的unlabeled 猫和狗的图片数据。   稍后讲解

b.如何减少label需要的量的方法2：Transfer Learning 迁移学习

例如：做一个分类器，要分别照片是猫还是狗？ 目前也只有少量的猫和狗的labeled数据，但是有大量的labeled以及unlabeled的数据，但并不知道跟我们目前的任务是否有关系，很有可能这些数据都是不相干的图片。那么不相干的图片会给我们的分类器带来什么样的帮助呢？？ 之后讲解

c.如何减少label需要的量的方法3：unsupervised Learning 无监督学习

无师自通。 机器自己看完数据后，自己输出。

d.machine learning还有一类问题叫structured learning 结构学习， 输出一个 有结构性的东西。

例子：

a.语音识别

b.机器翻译

c.人脸识别

structured learning 还属于一个广袤的未知世界。 regression 和classification还只是冰山一角。

e.Reinforcement Learning  强化学习

从评价和反馈中学习

reinforcement learning实在没有大量输入数据给我们进行训练学习的情况下，才进行的，

就像alpha go，先收集所有围棋高手的棋谱，进行supervised learning，直到棋谱训练完成后。

再自己跟自己下棋，进行reinforcement learning 不断优化。