机器学习基础介绍

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

目录

前言

一、机器学习是什么？

二、机器学习相关的技术

 1.监督学习(Supervised Learning)

（1）regression：回归

（2）classification：分类

（3）选择function set 即model

2.半监督学习（Semi-supervised learning）

3.迁移学习（Transfer Learning）

4.无监督学习（Unsupervised Learning）

5.监督学习中的结构化学习（Structured Learning）

6.强化学习（Reinforcement Learning）

总结

---

前言

提示：这里可以添加本文要记录的大概内容：

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、机器学习是什么？

简单来说，人工智慧是我们想要达到的目的，机器学习就是我们达成目标的方法。通过机器学习，我们希望机器能够和人类一样聪明。

机器学习所做的事情，可以想象成在寻找一个function，似的机器拥有一个能力，这种能力是根据我们提供的资料，机器来寻找出我们要寻找的function。

在整个机器学习的过程中分为三个步骤，第一个步骤是寻找一个function，第二个步骤是让机器可以衡量一个function是好还是坏，第三个步骤是让机器有一个自动的方法，有一个好演算法可以挑选出最好的function。

 

二、机器学习相关的技术

 1.监督学习(Supervised Learning)

（1）regression：回归

如果机器学习中，机器找到的function的输出是一个标量，那么这个function叫做regression。

（2）classification：分类

regression和classification的差别是机器学习输出的类型不一样，regression中机器输出的是一个数值，而classification中机器输出的是类别。

如果classification问题分为两种，那么一种是二分类，一种是多分类。

二分类就是给出一个选择题，例如判断一个邮件是否为垃圾邮件。给机器一大堆的数据并且告诉他，这封邮件应该说是垃圾邮件，那封邮件应该说不是垃圾邮件。只要你给他足够多的资料去学，它就可以自动找出一个可以侦测垃圾邮件的function。

多分类例如让机器帮你把一堆新闻分类，将它们按照政治、财经、教育等分类。输入一篇新闻，输出是新闻是哪一种类别。

（3）选择function set 即model

model有很多种，最简单是线性模型，但我们会花很多时间在非线性模型中，非线性模型中最耳熟能详的是Deep learning深度学习。由于深度学习的function特别复杂，因此它可以做复杂的事情，比如说影像识别。

2.半监督学习（Semi-supervised learning）

在监督学习中，我们往往需要大量的training data。training data告诉我们要找function的input和output之间的关系。如果我们在监督学习下进行学习，我们需要告诉机器function的input和output是什么，这个output往往没有办法用很自然的方式取得，需要人工的力量把它标注出来，这些function的output叫做label。

要减少label的量的办法，就是半监督学习。

在半监督学习中，你有少量的labelled data，同时用大量的Unlabeled data。这些没有label的data，可能对学习有帮助。

3.迁移学习（Transfer Learning）

另一个减少data用量的方法就是迁移学习。

迁移学习的意思是：假设我们要做猫和狗的分类问题，我们也一样，只要少量的有label的data。但是我们有大量的data，这些data中可能有label，也可能没有。但是他跟我们选择要考虑的问题是没有什么特别的关系的，我们要分辨是猫和狗的不同，但是这边有一大堆其他动物的图片和动画图片，它到底会带来什么帮助，这个就是迁移学习。

4.无监督学习（Unsupervised Learning）

无监督学习，我们希望机器可以做到无师自通。

如果在完全没有label的情况下，机器到底可以学到什么事情。

5.监督学习中的结构化学习（Structured Learning）

在机器要解的问题中我们讲了regression，classification，还有一类问题是structured learning。

structured learning中让机器输出的是要有结构化的，举例来说：在语言辨识里面，机器输入的是声音讯号，输出是一个句子。句子是要很多词汇拼凑而成的，是一个有结构的object。或者说在机器翻译里面你说一句话，你输入中文希望机器翻译成英文，它的输出yes有结构化的。再或者你做人脸识别，机器将分辨的人物标识出来，它也是structured learning。

6.强化学习（Reinforcement Learning）

若将强化学习和监督学习比较时，在监督学习中我们会告诉机器正确答案是什么，而在强化学习中，我们没有告诉机器正确的答案是什么，机器拥有的只有一个分数，我们来告诉它做的好还是不好，它比较符合我们人类真正的学习过程。

---

总结

以上就是今天要讲的内容，本文仅仅简单介绍了机器学习以及机器学习相关的技术。