李宏毅机器学习笔记 DAY1

一、机器学习介绍

人工智慧（目标）：使机器像人一样拥有智慧。

机器学习machine learning（方法）：让机器具有学习的能力，其中深度学习是机器学习中的一种方法。

DO：让机器通过人所给的资料，寻找到一个解决问题的function。

语音辨识：输入声音——输出文字

影像辨识：输入图片——输出图片内的内容

学习过程（Training）

Machine learning framework分为三个步骤：

1.Model：也就是function set（集合），包含众多function（f1,f2,f3…），从中找到一个function

2.TRAINING DATA（训练资料）：告诉机器一个合适的function的输入和输出和两者的关系，让其判断function的好坏。

其中告诉机器Input和Output叫做Supervised Learning（监督学习）

3.通过有效的演算法，从function set中挑选出“Best”Function —— f*

二、监督学习（Supervised Learning）

监督学习需要大量的training data。从training data中可以知道function的input和output之间的关系。

在监督学习下进行学习，需要告诉机器function的input和output是什么。这个output往往需要人工标注，叫做label。

1.Regression（回归）是一种machine learning的task，做regression的意思是使machine需要的function的输出是一个scalar（标量数值），这个叫做regression。

2.Classification（分类），在Classification里机器输出的是类别。

Classification问题分成两种：二分类输出的是Yes or No；多分类（Multi-class）是给机器无数个选项，每个选项都是一个类别，让机器从这些类别里选择正确的类别。

Model有很多种，最简单的就是线性模型，但我们会花很多时间在非线性的模型上。在非线性的模型中最耳熟能详的就是Deep learning。比如它可以做影像辨识，让机器下围棋（分类）

监督学习中的结构化学习（structured learning）

structured learning 让机器输出的是要有结构性的。

语音辨识：机器输入是声音讯号，输出是一个句子，句子由词汇组成。

机器翻译：输入中文句子翻译成英文句子输出。

人脸辨识：输入图片，人物在图片中的不同位置。需要机器标注出来。

三、半监督学习（(Semi-Supervised Learning）

减少label需要的量

没有label的data，他可能也是对学习有帮助

四、迁移学习（Transfer learning）

减少data量的方向。

迁移学习：做分类问题，只有少量有label的data，还有大量可能有label也可能无label的data，也就是有很多不相关的图片。

五、无监督学习（Unsupervised Learning）

在完全没有任何label的情况下，到底机器可以学到什么样的事情。

六、强化学习（reinforcement learning）

监督学习：告诉机器正确答案是什么。

强化学习：没有告诉机器正确的答案是什么，机器所拥有的只有一个分数，就是他做的好还是不好。它要回去反省检讨哪一步做的不好。

例：Alpha Go

监督学习：告诉机器，看到什么盘下什么。

强化学习：机器跟对手互下，不断的下棋，最后赢了，机器就会知道做的好，没赢，就是做的不好，再进行学习的过程。

总结：

学习情景：监督学习，半监督学习，无监督学习，强化学习，迁移学习

监督学习中的任务（问题）：回归，分类，结构化

分类任务的模型：线性模型，深度学习，SVM，决策树