一、直觉性解释机器学习
寻找一个function或者一系列rules,使得当给定输入时,机器可以像人一样给出输出
【Model】即对应着所有可能function对应的set
定义函数set——衡量模型好坏——选择最佳模型
二、监督学习(supervised learning)
(1)回归问题
function集的输出是scalar连续数值
(2)分类问题
分为二分类与多分类
(3)deep learning问题
非线性学习方法,用于语音、图像等
三、半监督学习(semi-supervised learning)
具有一部分带有标签的data以及一系列不带ground truth的data,基于这些数据去对模型做拟合
四、迁移学习(transfer learning)
intuition:如果需要做猫狗分类问题,但我们现在有大量的数据,这些数据中有些有label有些没有label,且不一定和猫狗问题相关,可能是毫不相关的照片
五、无监督学习(Unsupervised learning)
无ground truth,去学习数据内部信息
六、结构化学习(Structural learning)
例如语音识别,翻译,人脸识别等
输入输出都是结构化的object
七、强化学习(Reinforcement learning)
在强化学习中,我们不告诉机器正确的答案是什么,事实上我们也无法预知正确的答案是什么。机器只拥有一个分数,机器会基于多次尝试后得到的累计award做对应的学习与优化。