DATAWHALE-李宏毅机器学习-1

机器学习引言

人工智能(Artificial Intelligence) 是机器学习方法(Machine Learning) 追求实现的目标。

河狸🦫造堤坝是生物的本能，机器学习的天赋则来自hand-crafted rules。

hand-crafted rules 的缺点在于它考虑不到存在情况的所有可能性，也永远无法超越人类，同时又需要耗费大量的人力。

未来机器学习方法或许不需要过多人力，而只需使用大量数据。

机器学习也可被视作从数据(data)中寻找函数(function)。

应用举例： (语音识别) Speech recognition /(图像识别) Imagine recognition /(对话系统) Dialogue system/ (游戏/围棋) Playing Go

一个简单的Framework 即从已有的 a set of function (model) 和 training data中来判断函数的好坏goodness of function，再在所有的function(model)中挑选出一个最好的function。
图片(from李宏毅老师的课程中的slides)：机器学习的三个步骤

机器学习概览（Learning Map）

Task:

Regression

预测问题 输出是一个"scalar"

Classification

Binary classification (Yes or No)

Multi-class classification (多分类)

Structured Learning

让机器输出的是要有结构性（例如:输出句子）

Methods:

Linear model

统计的知识

Non-linear model

Deep Learning

SVM, Decision tree, K-NN

Scenario:

监督学习(Supervised Learning)

Training data (Input/output pair of target function/function output= label )

半监督学习（Semi-supervised Learning）

Unlabelled data 也帮助机器学习

迁移学习(Transfer Learning)

有一些不相关的数据 （Data not related to the task considered 标记与否都可以）

无监督学习(Unsupervised Learning)

无label 可以生成新的

强化学习(Reinforcement Learning)

无正确答案，只知道做得好或者不好，机器需要自己去反思哪里出现了问题

机器学习的场景取决于data无法自己决定，无论怎样的场景都是解决regression/classification/structured learning 三类task，在不同场景下解决不同问题使用的方法至关重要。
宝可梦训练师 类似于 人工智能训练师
人工智能训练师的工作就在于为机器挑选合适的model 和loss function，不同的模型和损失函数解决不同的问题。 在深度学习中的最优化需要有经验的训练师来处理。