Python 学习 第五册 深度学习 第4章 机器学习（上）

---用教授的方式学习。

目录

4.1　机器学习的四个分支

4.1.1　监督学习

4.1.2　无监督学习

4.1.3　自监督学习

4.1.4　强化学习

4.2　评估机器学习模型

4.2.1　训练集、验证集和测试集

4.2.2　评估模型的注意事项

---

概念——模型评估、数据预处理、特征工程、解决过拟合。

4.1　机器学习的四个分支

三种类型的机器学习问题：二分类问题、多分类问题和标量回归问题。

4.1.1　监督学习

监督学习是目前最常见的机器学习类型。给定一组样本（通常由人工标注），它可以学会输入数据映射到已知目标［也叫标注（annotation）］。本书前面的四个例子都属于监督学习。一般来说，近年来广受关注的深度学习应用几乎都属于监督学习，比如光学字符识别、语音识别、图像分类和语言翻译。

虽然监督学习主要包括分类和回归，但还有更多的奇特变体，主要包括如下几种。

1. 序列生成（sequence generation）。给定一张图像，预测描述图像的文字。序列生成有时可以被重新表示为一系列分类问题，比如反复预测序列中的单词或标记。

2. 语法树预测（syntax tree prediction）。给定一个句子，预测其分解生成的语法树。

3. 目标检测（object detection）。给定一张图像，在图中特定目标的周围画一个边界框。这个问题也可以表示为分类问题（给定多个候选边界框，对每个框内的目标进行分类）或分类与回归联合问题（用向量回归来预测边界框的坐标）。

4. 图像分割（image segmentation）。给定一张图像，在特定物体上画一个像素级的掩模（mask）。

4.1.2　无监督学习

无监督学习是指在没有目标的情况下寻找输入数据的有趣变换，其目的在于数据可视化、数据压缩、数据去噪或更好地理解数据中的相关性。无监督学习是数据分析的必备技能，在解决监督学习问题之前，为了更好地了解数据集，它通常是一个必要步骤。降维（dimensionality reduction）和聚类（clustering）都是众所周知的无监督学习方法。

4.1.3　自监督学习

自监督学习是监督