机器学习 Machine Learning

 前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家：点击跳转

目录

一，机器学习

二，监督学习 Supervised Learning

1，监督学习分类

2，训练数据、标签

3，回归、深度学习

三，半监督学习 Semi-supervised Learning

四，无监督学习 Unsupervised Learning

1，无监督学习分类

五，迁移学习 Transfer Learning

六，强化学习 Reinforcement Learning

---

一，机器学习

machine learning所做的事情，你可以想成就是在寻找一个function，要让机器具有一个能力，这种能力是根据你提供给他的资料，它去寻找出我们要寻找的function。还有很多关键问题都可以想成是我们就是需要一个function。

机器学习可以分为如下5个领域：

• 监督学习 Supervised Learning
• 半监督学习 Semi-supervised Learning
• 无监督学习 Unsupervised Learning
• 迁移学习 Transfer Learning
• 强化学习 Reinforcement Learning

二，监督学习 Supervised Learning

1，监督学习分类

•     回归 Regression
•     分类 Classification
•     结构化学习 Structured Learning

2，训练数据、标签

监督学习需要大量的training data。training data告诉我们要找的function的input和output之间的关系。如果我们在监督学习下进行学习，我们需要告诉机器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。

3，回归、深度学习

回归包括线性回归、最小二乘回归、LOESS局部回归、神经网络深度学习。

中学数学中，学习了一元一次线性回归，及其最小二乘法：

线性回归、最小二乘_最小二乘法求多元线性回归-CSDN博客

而实际上，所有的线性回归都可以用最小二乘法来求。

但最小二乘法只能解决线性回归，而回归 Regression_regress回归的方差-CSDN博客介绍的通过梯度下降法寻找损失函数最小值的方法，适用于更广泛的回归问题。

深度学习，就是利用神经网络的思想，利用梯度下降法做回归。

三，半监督学习 Semi-supervised Learning

假设你先想让机器鉴别猫狗的不同。你想做一个分类器让它告诉你，图片上是猫还是狗。你有少量的猫和狗的labelled data，但是同时你又有大量的Unlabeled data，但是你没有力气去告诉机器说哪些是猫哪些是狗。在半监督学习的技术中，这些没有label的data，他可能也是对学习有帮助。

四，无监督学习 Unsupervised Learning

如果在完全没有任何label的情况下，到底机器可以学到什么样的事情。

1，无监督学习分类

• 聚类
• 降维算法

五，迁移学习 Transfer Learning

迁移学习的意思是：假设我们要做猫和狗的分类问题，我们也一样，只有少量的有label的data。但是我们现在有大量的data，这些大量的data中可能有label也可能没有label。但是他跟我们现在要考虑的问题是没有什么特别的关系的，我们要分辨的是猫和狗的不同，但是这边有一大堆其他动物的图片还是动画图片（凉宫春日，御坂美琴）你有这一大堆不相干的图片，它到底可以带来什么帮助。这个就是迁移学习要讲的问题。

六，强化学习 Reinforcement Learning

在reinforcement learning里面，我们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。