【无标题】

机器学习打卡笔记

day 1 认识机器学习

人工智慧是我们想要达成的目标，而机器学习是想要达成目标的手段，希望机器通过学习方式，他跟人一样聪明。而深度学习就是机器学习的其中一种方法。
其实是让机器它有自己学习的能力，也就做machine learning的方向。讲的比较拟人化一点，所谓machine learning的方向，就是编写段程序，然后让机器人变得聪明，使得它拥有学习的能力。接下来，就像教一个婴儿、教一个小孩一样的教它，并不是写程序让他做到这件事，而是写程序让它具有学习的能力。然后接下来，就可以用像教小孩的方式告诉它。假设要叫他学会做语音辨识，就告诉它这段声音是“Hi”，这段声音就是“How are you”，这段声音是“Good bye”。希望他学会这些声音，然后给它一个新的声音，它就可以产生语音辨识的结果。
如果希望它学会怎么做影像辨识，只是需要告诉它：看到这张图片，你要说这是猴子；看到这张图片，然后说是猫；看到这张图片，可以说是狗。它具有了影像辨识的能力，接下来看到它之前没有看过的猫，希望它可以认识。
如果讲的通俗一点的话，machine learning所做的事情，可以想成就是在寻找一个function，要让机器具有一个能力，这种能力是根据你提供给他的资料，它去寻找出我们要寻找的function。还有很多关键问题都可以想成是我们就是需要一个function。

监督学习

回归是一种机器学习的任务，机器需要找到function，它的输出是一个标量的，这个叫做回归。举例来说，假如要你做PM2.5的预测（比如说预测明天上午的PM2.5） ，也就是说需要找一个function，这个function的输出是未来某一个时间PM2.5的一个数值，这个是一个回归的问题。
例如输入九月一日与二日上午的PM2.5,通过预测得到3日上午的PM2.5预测值，等等。

分类和回归的差别在于机器输出的结果类型不一样。在回归中机器输出的是一个数值，而在分类中机器输出的是类别，是归属。举个例子，当邮箱收到一封新的信件时，可以先做一个判断，这封信件是有用的还是没有用的垃圾信件，二分类可以用于这个问题。同样只需要一个function，然后让它的输出只有两个，一个是一个否，是代表新的信件是垃圾信件，否则代表是有用的信件。

半监督学习

上述说的都是监督学习，监督学习的问题是我们需要大量的训练数据。训练的数据将告诉我们要找的function的输入和输出之间的关系。如果我们在监督学习下进行学习，我们需要告诉机器function的输入和输出分别是什么。这个输出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的输出叫做标签。半监督学习就是想办法减少标签的量。

无监督学习

无监督学习就是把数据直接丢给机器，让它无师自通，看看它自己学习能得出什么结果。

例如带机器去动物园，然后让它看了很多动物之后，它就学会了自己创造动物。通过观察大量的动物，它就可以画出一些动物，比如长着乳牛斑纹的狗。

强化学习

将强化学习和监督学习进行比较时，在监督学习中会告诉机器正确答案是什么。若现在用监督学习的方法来训练一个聊天机器人，训练的方式是：告诉机器，现在使用者说了hello，你就说hi，现在使用者说了byebye ，你就说good bye。所以当有一个类似家教一样的人在旁边教它每件事情时，这就是监督学习。

强化学习是并没有告诉机器正确的答案是什么，机器所拥有的只有一个分数，就是它做的好还是不好。若现在用强化学习的方法来训练一个聊天机器人，训练的方法是把机器发到线下，让它和来往的客人进行对话，然后讲了半天以后，最后勃然大怒的电话挂掉。那机器就学到一件事情就是刚才做错了。但是它不知道哪边错了，它就要回去自己想道理，是一开始就不应该打招呼吗？还是中间不应该在骂脏话了之类。它不知道，也没有人告诉它哪里做的不好，它要回去反省检讨哪一步做的不好。机器要在强化学习的情况下学习，机器是非常聪明的。 强化学习也是比较符合我们人类真正的学习的情景，就像你在学校里学习，老师会告诉你答案，但在真实社会中没人会告诉你正确答案，你只知道你做得好还是做得不好。