机器学习的情境 Scenario

1. Supervised Learning （监督式学习）

\qquad 通常最常用到的方法就是 Supervised Learning（监督式学习），但是监督式学习需要大量的数据，使用 training data 来找到一个合适的 function，让我们知道输出和输入的关系是什么。

\qquad 通常使用监督式学习时，我们会告诉机器所有的正确答案，所以需要大量的标记（label），而缺点是需要大量的人工。

2. Semi-supervised Learning （半监督式学习）

\qquad 当我们手上只有少量的已经标记（labeled）的 data，同时又有大量的未标机（unlabeled）data，而这些数据仅限于已标记的种类之内（如要区别猫跟狗的 function，未标记的照片仅限于猫和狗的照片）。

\qquad 在 Semi-supervised Learning（半监督式学习）的技术中，没有标记的 data，对机器学习也是有帮助的。

3. Transfer Learning（迁移学习）

\qquad 与 Semi-supervised Learning（半监督式学习）相同，但是我们的未标记（labeled）data 不限于已标记的种类。

\qquad Transfer Learning（迁移学习）要解决的问题是，与一堆不相关的 data 可以带来甚么样的帮助。

4. Unsupervised Learning（无监督式学习）

\qquad Unsupervised Learning（无监督式学习）顾名思义就是在不提供任何 label 的情况下，希望机器学习能够无师自通。也就是说我们给机器大量的输入，却不提供输出，看看在这种情况下机器能够学到什么。

5. Reinforcement Learning（增强式学习）

\qquad 在监督式学习中，我们会告诉机器所有的正确答案，并且手把手的教机器也就是 Learning from teacher。但是在 Reinforcement Learning（增强式学习）中，我们没有告诉机器正确的答案是什么，机器只会得到最终的结果是好或不好，这较符合人类真正学习的情境，有别于监督式学习，增强式学习是 Learning from critics。

\qquad 举例：监督式学习会手把手教导，如果有人说 ”Hello”，就要回 ”Hi”，听到 ”Bye bye” 就回答 “Good bye”。而增强式学习会让机器直接和客人对话，如果客人生气把电话挂掉的话，机器只能知道这样做错了，他并不知道自己错在哪里。利用评价来学习。