本文介绍了机器学习的目标与手段，重点讲解了深度学习作为机器学习的一个分支。机器学习通过数据寻找规律，包括监督学习、无监督学习、半监督学习和迁移学习等不同类型。此外，还提到了结构化学习和强化学习的区别，以及回归和分类在机器学习任务中的应用。强化学习不直接给出正确答案，而是通过奖励机制进行学习，更接近人类实际学习过程。
1-机器学习介绍
目标：人工智慧
手段：机器学习
深度学习：机器学习的分支
本能（提前设定好，泛化能力为0,无法超越创造者）
机器学习：让机器具有学习的能力，从数据中寻找function（规律）
简单步骤：
step1：找可能的函数集（model） step2： 在training data 上训练 （training ） step3：testing
各种机器学习任务：
监督学习 vs 无监督学习
semi-supervised learning：少量数据有标签 其他无标签
transfer learning:少量数据有标签 其他数据可能有 可能没有 标签 但其他数据与少量labelled data无明显关系
unsupervised learning:无师自通（有输出无输出）
structured learning -beyond classification
输出有结构性的结果
reinforcement learning vs supervised learning :
在supervised 里会告诉机器正确答案
在reinforcement里不会告诉正确答案，只会给答案打分（需要更强的智能）-learning from critics（更符合人类学习真实情景）
两种可以结合
不同的学习方法
{
r
e
g
r
e
s
s
i
o
n
:
f
u
n
c
t
i
o
n
的
输
出
是
s
c
a
l
a
r
（
纯
数
值
）
c
l
a
s
s
i
f
i
c
a
t
o
n
:
分
类
；
二
元
分
类
（
b
i
n
a
r
y
c
l
a
s
s
i
f
i
c
a
t
i
o
n
）
，
多
元
分
类
（
m
u
l
t
i
−
c
l
a
s
s
i
f
i
c
a
t
i
o
n
）
\begin{cases}regression:function的输出是scalar（纯数值）\\ classificaton:分类；二元分类（binary classification），多元分类（multi-classification）\end{cases}
{regression:function的输出是scalar（纯数值）classificaton:分类；二元分类（binaryclassification），多元分类（multi−classification）
扫一扫
786
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
