Datawhale X 李宏毅苹果书AI夏令营 深度学习入门方向 Task01笔记

机器学习和深度学习的基本概念

机器学习，顾名思义，机器具备有学习的能力，简单来说，机器学习就是让机器具备找一个函数的能力。通过机器帮助找一个很复杂的函数，我们就可以实现输入和输出。比如说AlphaGo 也可以看作是一个函数，机器下围棋需要的就是一个函数，该函数的输入是棋盘上黑子跟白子的位置，输出是机器下一步应该落子的位置。随着要找的函数不同，机器学习有不同的类别。假设要找的函数的输出是一个数值，一个标量（scalar），这种机器学习的任务称为回归。除了回归以外，另一个常见的任务是分类（classification，）。分类任务要让机器做选择题。人类先准备好一些选项，这些选项称为类别（class），现在要找的函数的输出就是从设定好的选项里面选择一个当作输出，该任务称为分类。在机器学习领域里面，除了回归跟分类以外，还有结构化学习（structured learning）。机器不只是要做选择题或输出一个数字，而是产生一个有结构的物体，比如让机器画一张图，写一篇文章。这种叫机器产生有结构的东西的问题称为结构化学习。

案例学习

以文中所给案例，我分析并总结出机器学习找函数的过程的 3 个步骤。

1. 定义问题和选择模型：
   - 定义问题：明确任务目标，比如回归、分类或结构化学习。
   - 选择模型：根据问题性质选择合适的模型类型（如线性回归、决策树、神经网络等）。

2. 训练模型：
   - 数据准备：收集并清理训练数据，确保数据质量和相关性。
   - 训练过程：使用训练数据调整模型参数，使模型能够在给定输入下生成准确的输出。这一步通过优化算法（如梯度下降）来最小化预测误差。

3. 评估和优化模型：
   - 模型评估：使用验证数据或测试数据评估模型性能，检查其在未见过的数据上的表现。
   - 模型优化：根据评估结果调整模型参数或选择其他模型，以提高准确性和泛化能力。