机器学习与深度学习——自用入门（1）

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

---

前言

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。现实生活中如价格预测、数据归类，人脸识别，语音识别等均用到机器学习的技术。那么，我们将如何理解机器学习这项技术？为何机器学习与数学紧密相关？机器学习流行的数据模型有哪些？我们将如何根据现实问题，借助模型去实现自己的机器学习项目？
-----以下为基于b站李宏毅老师和吴恩达老师的课程的理解

一、什么是机器学习？

传统的项目代码实现，本质上就是人为构建一个算法，将其代码化后，输入参数得想要的结果。机器学习就是将构建算法这个部分的工作交付给机器去实现。即人只需要提供数学模型和样本数据，而不断的拟合直到形成一个较为准确的算法这部分工作，由机器完成。
简而言之，机器学习就是将构建function的工作交由机器自主完成，从而将人从这一个部分的工作解放出来。
一般的问题场景可以分为三类：regression、classification、structure learning。
regression是统计学上的一个概念，即the relation between selected values of x and observed values of y (from which the most probable value of y can be predicted for any value of x)，我理解本质上就是通过样本构建一种relation，比如常见的预测问题，通过已知数据构建一个函数来预测未知数据。
classification更注重对预测的结果进行归类

二、机器学习的几种应用

（简单知道一下这几个名词就行，后面会学）

1. supervised learning（传统）：一种建立input到output label的算法；简单来说，就是由人提供(x,y)实例，机器根据学习实例建立一种x到y的映射，从而实现根据x合理预测y。
   supervised learning主要有regression与classification两种类型。

2. self-supervised learning：机器通过pre-train model (foundation model) 完成基础的训练，完成下游任务（downstream task）。
   知名的的pre train model bert chat-2/3/4等等

notes:这里的数据y是data labeled。supervised learning就是learning from data labeled
与supervised learning相反，unsupervised learning是一种learning from data unlabeled。人不再给数据下定义，而是有机器自动去对数据进行联系。常见如谷歌新闻的的clustering（聚类算法）

4. Generative Adversarial Networks:人提供入参与结果，机器自动匹配构建函数。
5. Reinforcement Learning RL ：通过与环境的交互来学习如何做出最优的决策,它通过试错的方式来学习，不需要标记好的训练数据或者环境的先验知识。
6. Anomaly detection：异常检测，目的是指出不属于大部分分类的结果。
7. Explainable Ai：让AI解释如何学习以及学到的内容
8. Model attack
9. Domain adaptation
10. Network compression
11. Life-long learning
12. Meta learning