深度学习入门训练营——test 1（Datawhale X 李宏毅苹果书 AI夏令营）

第一个定义就是机械学习是什么？

        机器学习就是让机器通过学习大量数据，找到一个能最好地描述这些数据之间关系的函数。这个函数可以用来预测新的数据，或者完成特定的任务。

这样子问题来了，为什么要找到函数不能是其他的吗？

• 数据背后的规律: 世界上的万事万物都有其内在的规律，这些规律往往表现为数据之间的某种关系。通过找到这个关系，我们就可以对未知的数据做出预测。
• 自动化决策: 机器学习模型可以根据找到的函数，自动做出决策。例如，在图像识别中，模型可以根据图像像素的数值，判断图像中的物体是什么。

根据书上的内容，什么又是回归？

        我们希望找到一个函数，能够根据已知的输入变量（特征），来预测一个连续的输出变量（目标变量）。比如上面的pm2.5就是找到一个函数f，这个函数能将输入的这些特征组合起来，准确地预测出明天的PM2.5数值。这里函数f的形式可以是线性的，也可以是非线性的。

        对于线性回归：f(x) = w1x1 + w2x2 + ... + b，其中x1, x2, ... 是输入特征，w1, w2, ... 是模型的参数，b是截距。

         对于非线性回归：可以使用多项式回归、支持向量回归、神经网络等更复杂的模型来拟合非线性关系。

什么是分类问题？

分类问题是机器学习中的另一个重要任务，它的目标是将样本划分到预先定义好的类别中。与回归问题预测一个连续数值不同，分类问题预测的是一个离散的类别标签。

为什么是分类问题？

输出是离散值: 分类问题的输出是有限个离散的类别，而不是连续的数值。

划分样本: 我们希望将样本划分到不同的类别中，以便进行后续的处理或决策。

做出决策: 分类问题的结果可以直接用于决策，比如将垃圾邮件过滤掉，或者对图像进行标注。

分类问题和回归问题的区别

特征	回归问题	分类问题
输出	连续数值	离散类别
目标	预测一个精确的数值	将样本划分到正确的类别
常用算法	线性回归、支持向量回归、决策树回归等	逻辑回归、支持向量机、决策树分类、神经网络等
评价指标	均方误差、平均绝对误差等	准确率、精确率、召回率、F1值等

什么是结构化学习？

        结构化学习（Structured Learning）是机器学习领域的一个重要分支，它与传统的回归和分类任务相比，输出更加复杂。传统的回归任务输出一个数值，分类任务输出一个类别，而结构化学习的输出则是一个具有内部结构的物体，比如一张图像、一段文本、一个序列、甚至是一个图。

举个例子：

• 图像生成: 输入一个随机噪声，输出是一张逼真的图像，比如人脸、风景等。
• 机器翻译: 输入一句英文句子，输出对应的法文句子。
• 语音识别: 输入一段音频，输出对应的文本。
• 自然语言生成: 输入一个主题，输出一篇完整的文章。

为什么是结构化学习？

• 复杂输出: 现实世界中的很多问题需要产生复杂的输出，而不仅仅是简单的数值或类别。
• 序列依赖: 结构化数据通常具有序列依赖性，比如自然语言中的词序、图像中的像素之间的关系。
• 全局约束: 结构化输出需要满足一定的全局约束，比如图像的连通性、句子的语法正确性。

 结构化学习与传统机器学习的区别

特征	回归/分类	结构化学习
输出	数值或者类别	结构化对象（图像、文本、序列等）
复杂度	相对简单	更复杂，需要考虑输出的结构和约束
评价指标	均方误差、准确率等	BLEU评分、ROUGE评分、CIDEr等
算法	线性回归、逻辑回归、SVM等	条件随机场（CRF）、图神经网络（GNN）、序列到序列模型等

以上内容都是参考李宏毅老师的书的感想，有不对的地方劳烦支持，谢谢！