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!