李宏毅机器学习笔记p1-p2

---

前言

提示：主要是介绍了人工智慧和人工智能的一些基本框架

一、人工智慧

深度学习是人工智慧之一
生物的本能
人类设定好的本能
这两者的比较
hand-crafted rules没有办法考虑到所有的可能性，没有办法超过创造他的能力，它只是遵顼人类写完的规则来执行。很可能是人类设定的 if so

AI：不应该是人设定好的if so（伪AI）而应该是教他们去学习，就像教小孩一样。比如具有辨识能力——提供他资料，他能寻找我们需要的东西。

machine learning ~=looking for a function。
举例为：我们输入一张图片——》它能提供它到底是什么动物
我们需要一开始准备成千上万的图片以及其正确的标签（及机器有正确的输入输出去学习）机器可以根据这一堆图片 +有效的算法=正确的标签——训练完成
然后就可以用这一套来执行辨识任务（输入一张图片（猫）希望它出来是猫）。
所以主要的过程就是：找一个function——有一个好的方法找出最好的function——执行这function。

二、学习导图

监督学习

回归问题

“消化”掉过去的资料——>去预测未知的资料

分类问题

binary classification

输入——>输出是或者非
训练方法：给他大量的data告诉应该是或者不是，让它去学习，它自动可以找到分辨的function。

multi-class classification

function任务：输入很多资料，分辨它是哪一种资料。
训练方法：要事先提供给它很多训练资料，然后给它新的资料，它再去分辨。

function set——model

线性模型/非线性模型（Deep learning）

半监督学习

监督学习：我们需要告诉机器function的输入和输出让它去学习

半监督学习：一些输入没有输出（也就是没有label），但对学习也会有帮助

迁移学习

作用：相较于监督学习，迁移学习也可以减少data的用量
一些输入没有输出（也就是没有label），但是有些并不影响最终结果。比如只需要分辨猫狗，但是里面融入了动漫照片，

无监督学习

完全没有任何label的情况下，让机器给出答案，即无师自通
比如查阅了大量的文献，让他去解决一个分类问题。
只有function的input 没有output

监督学习中的结构化学习

输出的东西是要有结构性的。比如句子的输出是由结构的，图片的读取它能意识到左边和右边

强化学习

监督学习就是手把手教它答案是什么。
但是强化学习就是不告诉它答案是什么，只能说它做的离正确答案还有多远。他需要它自己去反思它哪里不好。强化学习还是比较智能的。

AI训练师

AI训练时要挑选合适的model， loss function。因为不同问题背景需要不同的model loss function 。所以是需要有一定检验的AI训练师。（说不定未来还可以AI自己训练自己/(ㄒoㄒ)/~~）

总结

提示：这里对文章进行总结：
例如：之前一直注重于监督学习，未曾涉猎于其他无监督学习，强化学习等，还是才识浅薄，需要努力！