【李宏毅《机器学习》2019-2022】资源汇总与概述

【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。