文章目录
【李宏毅《机器学习》2019-2022】资源汇总与概述
本文总结了李宏毅《机器学习》这一经典入门课程的视频和文字资料。希望帮助自己和愿意学习的小伙伴更方便的学习《机器学习》相关知识。最后向整理和开放相关资源的李宏毅老师和整理2019年笔记的同学表示感谢!
2019李宏毅《机器学习》课程主页
2019李宏毅《机器学习》b站视频
2019李宏毅《机器学习》笔记
2021李宏毅《机器学习》课程主页
2021李宏毅《机器学习》b站视频
2022李宏毅《机器学习》课程主页
2022李宏毅《机器学习》b站视频
2022李宏毅《机器学习》作业
机器学习的相关技术
监督学习Supervised Learning
监督学习的主要任务有:Regression、Classification和Structure Learning。其中Classification任务是目前研究最火热的任务。
Classification任务主要分为Linear Model和Non-linear Model。其中Non-linear Model更复杂,也是我们今天研究的重点。Non-linear Model的主要研究方法就包括KNN、SVM、Decision Tree和Deep learning。
Supervised Learning中我们需要告诉机器function的input和output分别应该是什么。在交给机器function之前,需要人工将output和input对应起来。因此,这些function的output又称为label。
Supervised Learning还有一类复杂的任务称为Structure Learning。例如:在语音辨识里面,机器输入是声音信号,输出是一个句子。句子是要很多词汇拼凑完成。它是一个有结构性的object。
半监督学习Semi-supervised Learning
与Supervised Learning不同,Semi-supervised Learning中只有少量的labelled data,还有大量的Unlabeled data作为output。但是unlabeled data依然可能对学习有帮助。
迁移学习Transfer Learning
Transfer Learning就是将Semi-supervised Learning的Unlabled data替换成大量的“脏”data:一部分unlabeled,一部分labelled但是label并不是我们关心的问题。比如,我们要区分猫和狗,但是这部分data中还label了大象、海豚和皮卡丘。这样的数据对我们的任务能有什么帮助,就是Transfer Learning关心的问题。
无监督学习Unsupervised LearningIYAN
Unsupervised Learning一言以蔽之:所有的output皆是unlabeled。目前,我们主要研究如何通过Unsupervised Learning达到Supervised Learning的实现精度。
强化学习Reinforcement Learning
Supervised Learning中,我们提供了一份参考答案(labelled data)。与Supervised Learning不同的是,Reinforcement Learning中我们引入打分机制。通过分数高低告诉machine学习的方向。