机器学习介绍

 基于李沐机器学习视频做的笔记3.1 8分钟机器学习介绍【斯坦福21秋季：实用机器学习中文版】_哔哩哔哩_bilibili

机器学习算法分类

1、监督学习：在有标号的数据上训练一个模型，任务就是去预测这个标号【自监督学习，产生标号，标号来源于数据的本身（字嵌入、BERT）】；

2、半监督学习：有一些标好的数据，还有大部分没有标好的数据，在这里有两个任务：【像监督学习一样学习一个模型去预测标号，但尽量使用未标注的信息；将没有标注的数据的标号给预测出来（自训练）】；

3、无监督学习：整个数据是没有标号的，任务也不是去预测一个标号（聚类算法、估计分布（GAN））；

4、强化学习：模型跟环境进行交互，从环境中获取观测点之后进行学习，再做一些行为重新获取反馈（更像是人类的学习方式）；

       讨论比较多的还是监督学习和无监督学习。

监督学习的组成部分

1、模型（Model）：通过输入预测输出；

      eg. listing house→sale price

2、损失函数（Loss）：用于衡量模型预测出来的值与真实之间的差距；

      eg. predict_price-sale_price

3、目标（Objective）：在训练训练时，优化函数：

      eg. minimize the sum of losses over examples

4、优化（Optimization）：在模型中没有指定的参数（刻意学习的参数），在实际数据中填上值，使得能最小化损失。

监督学习的分类

1、决策树（Decision Trees）：用树来做决定；

2、线性模型（Liner methds）：做决策时做决策的东西是根据输入的线性组合；

3、核方法（Kernel machines）：用核函数来衡量两个样本间特征的相似度；

4、神经网络（Neural network）：用多层的神经网络来学习一个特征表示，使得能在之后接的一个线性方法里会有一个很好的表示。

总结