2021-08-16李宏毅深度学习task1总结

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