机器学习学习笔记

机器学习几大类

1、监督学习(Supervised Learning)：

在有标号的数据上训练一个模型，任务是对标号的预测（例子：在房屋预测的例子中对房子价格的预测。或者预测图片的类别）

有一个大家比较关注的模型是自监督学习算法(Self_Supervised_Learning ),是一种可监督的学习，会产生一些标号，但是这些标号来自数据的本身（例子：字嵌入，BERT）

2、半监督学习（Semi-Supervised Learning）：

在有标号和没有标号的数据上进行模型的训练，模型的任务一：学习的模型来预测标号（尽量的使用那些没有标注好的信息），任务二：就是使用模型把那些没有标号的数据进行标号（例子：自训练）

3、无监督学习(Unsupervised)：

数据没有标号，任务也不是预测数据的标号【聚类算法、估计分布（GAN）】（GAN：生成对抗模型）也是这样的一个类型

4、强化学习(Reinforcement)

模型跟环境进行交互，从环境中获取观测点后再进行学习，再做一些重新获取的反馈（更像是人类的学习的方式）

强化学习是很难的一部分，讨论的较多的还是监督学习和无监督学习

监督学习模型训练中比较重要的东西

1、模型（Model）：通过输入预测输出;

2、损失函数(Loss)：用于衡量模型预测的值和真是值之间的差别

3、目标(Object)：在模型训练中，优化函数

4、优化(Optimization)：在模型中没有指定的参数（刻意学习的参数）再实际数据中填上值，使的我们的目标函数最小化损失；

监督学习的分类：

1、决策树（Decision Tree）：用树来做决定；

2、线性模型（Linear methods）：做决策的时候是根据这个输入的线性的组合；

3、核方法（Kernel machines）：用核函数来衡量两个样本之间的相似度。

4、神经网络（Neural Networks）:用多层的神经网络来学习一个特征的表示，使得在之后接的一个线性方法里会有一个很好的表示。

总结：

视频学习链接：https://www.bilibili.com/video/BV1Nv411u7bW?spm_id_from=333.999.0.0添加链接描述