在task1的学习中,主要是建立对机器学习的基础认识:
首先,机器学习主要分为五类:<1>监督学习;<2>半监督学习;<
03>无监督学习;<4>迁移学习;<5>强化学习。
一、监督学习:
1.学习到回归regression与分类classicification的区别:
--regression:是机器学习的一个task,在一个作业里,我们要先给出一个预测值,接下来找到一个function,使输出值为A,这个过程就是回归,regression的输出是一个值;
--classification:与regression不同的是,classification输出的是一个类别,分为两个类型:
--Binary Classification 二元分类
--Multi-class Classificatuion 多元分类
2.我们在进行学习时,对模型的选择也是多样的,选择不同的模型,得到的结果也是不同的,其中,线性模型是最简单的模型,非线性模型是最常用的模型。非线性模型包括我们最熟悉的深度学习的deep learning、SVM、decision tree、K-NN等
3.监督学习中会用到大量的training data,通过function,来找到input何output之间的关系,监督学习中的data都是labelled。
4.监督学习中的结构化学习:在structured learning中,我们需要机器输出的的是一个结构化的object,如:输入一个语音信号,需要机器输出一个完整的句子
二、半监督学习
在大量的data中,一部分data是有label的,即labelled data,可能还存在很大一部分是unlabelled data,与监督学习不同的是,半监督学习中有很大一部分的data是没有进行标记的,通过这样的training data来找出input与output之间的关系。
三、无监督学习
无监督学习中所用到的training data都是没有label的,我们希望机器在unlabeled data中学到东西---〉即只告知function的input,期望机器能够自己学习,并给出output。
四、迁移学习
在迁移学习中,涉及三类data:
---1*少量labeled的data;
---2*大量不相干,且有label的data;
---3*大量不相干,无label的data。
我们期望,通过transfor learning,机器从这堆不相干的数据中学习到的东西会对结果产生怎样的影响。
五、强化学习
强化学习的学习方式是与人类最相符的学习方式,在强化学习中,不需要告诉机器答案,机器只需要做,作业完成之后,结果只有一个分数---〉评估机器做的是好/不好:做的好的话,其实机器并不懂得怎样才能能够做好;做的不好机器会换种方式继续学习。
---参考李宏毅学习笔记总结