P1 机器学习介绍

一、机器学习概述

机器学习的本质就是找出一个函数，让这个函数可以根据我们的输入，得到我们所需要的输出。

1.定义一个函数空间(即模型）（选择不同的模型可能会得到不同的结果）

2.定义目标函数

3.根据目标函数选择出最有的模型（函数）

回归：Regression是一种machine learning的task，当我们说：我们要做regression时的意思是，machine找到的function，它的输出是一个scalar，这个叫做regression。【线性回归，非线性回归（深度学习，SVM，决策树，K-NN)】

分类：在Regression中机器输出的是一个数值，在Classification里面机器输出的是类别。假设Classification问题分成两种，一种叫做二分类输出的是是或否（Yes or No）；另一类叫做多分类（Multi-class），在Multi-class中是让机器做一个选择题，等于是给他数个选项，每个选项都是一个类别，让他从数个类别里选择正确的类别。【深度学习，SVM，决策树，logistic回归，K-NN】

二、机器学习方法分类

1.有监督：需要大量数据进行标注，并且我们都会假设training和inference时，采用的数据服从相同的分布（distribution）、来源于相同的特征空间（feature space）

那么针对标签多这一问题，我们可以采用半监督学习和迁移学习：

2.半监督：使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。

3.迁移学习（Transfer Learning）：从以前的任务当中去学习知识（knowledge）或经验，并应用于新的任务当中。换句话说，迁移学习目的是从一个或多个源任务（source tasks）中抽取知识、经验，然后应用于一个目标领域（target domain）当中去。

但是上述机器学习的方法(有监督），都需要大量的训练资料（Training Data)，大量的标注

4.无监督：大量无标签数据

5.强化学习：根据反馈结果进行不断地学习