机器学习基石-林轩田 Lecture 3：Types of Learning

复习

• 这个是是非题（其实就是一个二元分类器）
  • 信用卡的是否分发。
  • 电子邮件是否是垃圾邮件
  • 病人是否生病
  • 广告是否会赚钱
  • 这个学生是否能够答对这一题

机器学习种类

多类机器学习

• 把你投入的硬币分类(1c, 5c, 10c, 25c)。
• y = {1c,5c,10c,20c} -> y = {1,2,…,K}
• 二元分类就是K = 2的时候
  

回归：病人预测问题

• 二元分类：病人是否生病。
• 多类分类：病人特征，是否得了癌症。
• 回归：病人能什么时候恢复。
• 这种方法在统计中非常重要，机器学习有非常多可以借鉴统计的工具。

自然语言辨识（自动词性标注）

• I(pronoun) love(verb) ML(noun).
• 把词分类，分成各个词性的类。
• 结构学习
  • 如何通过句子得到结构。
  • 如何通过结构特性得到结果。
• 蛋白质结构数据->得到蛋白质折叠情况。
• 语音数据->语音解析树

小总结

• 二元分类
• 多类分类
• 回归
• 结构学习
• 核心是变换输出Y的维度。

学习方式

监督学习

• 把所有硬币都正确的分类，告诉你硬币分类的定义。
  

非监督学习

• 不告诉你硬币的信息，让你对它进行聚类。
• 方法
  • 聚类
  • 密度估测(density estimation)
  • 异常检测（outlier detection)

半监督学习

• 很多数据难以标签或者需要花很长时间标签。
• 就标注一部分，然后让机器去学习。
• 应用
  • 脸部识别
  • 药物识别（人体动物实验）

强化学习

• 训练动物、宠物，你没有办法直接和他沟通
• 但是你能够通过惩罚，你能让他明白他做了一个错误的判断。
• 你没有办法直接告诉他你做的是对的，但是你可以通过奖励或惩罚告诉他是否正确。
• “不是在原先的结果上做惩罚，而是在其他参数上进行奖励或惩罚”。
• 应用
  • 网络广告系统（观众什么时候会点击广告）
  • 棋类系统（下了这部棋，是赢是输）
  • 学习的动作序列式的发生，呈现一个仿真的过程。

小总结

• 监督学习
• 非监督学习
• 半监督学习
• 强化学习