一.之前的人工智能与现在的进行对比:
之前:手上有data,让机器帮忙做这件事情。
现在:machine learning方向,写段程序,让机器有自己学习的能力,比如辨识图片,声音等等。总的来说就是,你需要找到一个function,通过我们对机器提供的data,让他通过学习,训练,从而帮我们寻找出我们需要的function。
二.怎样找出我们需要的function?
首先,准备一个function set(函数集合),也就是model(模型)。
然后,用训练的data去告诉机器好的function,它的输入输出应该长什么样子,有什么关系,进行训练
接下来,输入测试集,让机器自己判断,然后输出结果,看结果是否正确,就可以判断function是不是一个好的function。
我们最重要要做的是找到function set里面最好的function,要用一些算法。
总结:在整个machine learning framework整个过程分成了三个步骤。第一个步骤就是找一个function,第二个步骤让machine可以衡量一个function是好还是不好,第三个步骤是让machine有一个自动的方法,有一个好演算法可以挑出最好的function。
三.Learning Map
1.监督学习(Supervised Learning)----------------------------------》回归问题和分类问题.
需要大量的training data,需要告诉机器function的input和output是什么,这个output往往没有办法用很自然的方式取得,需要人工的力量把它标注出来,这些function的output叫做label。
2.半监督学习(Semi-Supervised Learning)
输入部分部分被标识,部分未被标识,这种模型可以用来进行预测,但是要首先学习数据的内在结构,对回归和分类应用一些算法:SVM等。
减少label
3.迁移学习(Transfer Learning )
减少data用量的方向是迁移学习
4.强化学习(Reinforcement Learning)
5.监督学习中的结构化学习(structured Learning)
(有待开发...)