Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门班#Task1

Datawhale X 李宏毅苹果书 AI夏令营-深度学习入门班#Task1
第一章核心知识点总结：
1.1机器学习的四种主要类型：
有监督学习：模型在有标注的训练数据上进行训练，学习输入与输出之间的映射关系。应用场景包括图像分类、语音识别等。(训练数据的特征X与标签Y均已知)
(1)回归：假设要找的函数的输出是一个数值或 标量;
(2)分类： 事先准备一些选项(类别)，机器要找的函数会从设定好的选项里面选择一个当作输出。相当于让机器做选择题。
无监督学习：模型在无标注的数据上进行训练，主要任务是发现数据的结构或模式，如聚类、降维等。典型应用包括市场分割、特征提取等。(训练数据只有特征X，没有标签Y)
半监督学习：结合了少量有标注数据和大量无标注数据进行训练，通常用于标注数据昂贵或难以获得的场景。
强化学习：模型通过与环境交互学习，从反馈中调整策略以最大化累积奖励。典型应用包括机器人控制、游戏AI等。

1.2 机器学习找函数的3个步骤
第一步：根据领域知识，确定模型的类型，写出带有未知数的函数。
根据问题的领域知识，首先确定特征X与预测值Y，写出带有未知数的函数，确定一个数学模型的候选集；
例如：y=wx+b;

第二步：定义损失函数(loss function)
损失函数是模型预测值与样本真实值的偏差。机器学习模型优化的过程就是根据偏差，调整偏差的过程，也是在模型候选集集中选出一个相对最好模型的过程。

第三步：优化模型参数，选出最佳模型
模型训练就是采用最优化算法来调整模型的参数。相当于为模型量体裁衣，选出最贴合训练数据的一组模型参数。

谨记：All models are wrong, but some are useful！