Task01：机器学习介绍

机器学习介绍

机器学习即让机器具有学习的能力。人工智能（Artificial Intelligence）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，能实现和人一样聪明。深度学习就是机器学习的其中一种方法。
我们要做的其实是让机器有自己学习的能力，也就我们要做的应该machine learning的方向。就是你就写段程序，然后让机器人变得了很聪明，他就能够有学习的能力。
在机器学习框架的整个过程被分成了三个步骤，第一个步骤就是找一个function，第二个步骤就是让机器衡量一个function好或不好，第三个步骤是让机器有一个自动的方法，挑出最好的function

机器学习相关技术

监督学习

如果你告诉机器input和output，这就叫监督学习（supervised learning）
（1）回归（Regression）
回归是一种机器学习的任务，即当我们要做回归时，机器找到一个函数，它的输出是一个数值。例如，若要做PM2.5的预测（预测明天上午的PM2.5），也就是说我们要找一个函数，这个函数的输出是未来某一个时间PM2.5的一个数值。

（2）分类（Classification）
回归和分类的区别就是机器输出的类型是不一样。在回归中机器输出的是一个数值，在分类中机器输出的是类别。
假设分类问题分成两种，一种叫做二分类（Binary Classification），输出的为是或否（Yes/No）；另一类叫做多分类（Multi-class），在多分类中是让机器从数个类别里选择正确的类别。
例如，二分类可以鉴别垃圾邮件，将其放到垃圾箱。我们需要一个函数，它的输入是一封邮件，输出为邮件是否为垃圾邮件；多分类可以将网络上各种各样的新闻通过一个函数，输入一则新闻，输出新闻属于哪个类别（经济/体育/政治）。

迁移学习

假设我们要做猫和狗的分类问题，我们只有少量的有标签的数据。但是我们现在有大量的数据，这些大量的数据中可能有标签也可能没有标签。我们要分辨的是猫和狗的不同，但是这边有一大堆其他动物的图片或者动画图片。迁移学习研究的问题就是这一堆不相干的图片，到底可以带来什么帮助。

半监督学习

监督学习的问题是我们需要大量的训练数据。训练数据告诉我们要找的函数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，我们需要告诉机器函数的输入和输出是什么。这个输出往往没有办法用很自然的方式取得，需要人工的力量将它标注出来，这些函数的输出叫做标签。
假设若想做一个分类器，让它告诉你图片上是猫还是狗。你有少量的猫和狗的标签数据，但是同时你又有大量的未标签数据，但是你无法告诉机器哪些是猫哪些是狗。在半监督学习的技术中，这些没有标签的数据，它对学习可能也是有帮助的。

无监督学习

无监督学习研究的是机器在完全没有任何标签的情况下，到底可以学到什么样的事情。假设我们带机器去动物园让它看一大堆的动物，它能不能够在看了一大堆动物以后，它就学会自己创造一些动物，仔细看了大量的动物以后，它就可以自己的画一些动物出来，这就是无监督学习研究的内容。

监督学习中的结构化学习

结构化学习中让机器输出的是要有结构性的。例如：在语音识别里面，机器输入是声音讯号，输出是一个句子；或者让机器翻译你说一句话，你输入中文希望机器翻译成英文，它的输出也是有结构性的；或者你想做的是人脸识别，给机器看张图片，它会知道每个人对应是谁。然后机器要把这些东西标出来，这就是结构化学习研究的问题。

强化学习

在监督学习中我们会告诉机器正确答案是什么。但在强化学习中，我们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，就是它做的好或不好。
若我们现在要用强化学习的方法来训练一个聊天机器人，训练的方法会是这样：把机器发到线下，让它和进来的客人对话，想了半天以后，最后仍旧勃然大怒把电话挂掉了，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，它就要回去自己去想刚刚哪里做的不好。机器若要在强化学习的情况下学习，那么机器是非常智能的。强化学习也是比较符合我们人类真正学习的情景，在学校里学习老师会告诉你答案，但在真实社会中没人回告诉你正确答案，你只知道你做得好还是做得不好。