机器学习01-概述

机器学习概念

机器学习概念：让机器具有自己学习的能力。
机器学习本质：找到一个 目标函数，实现从输入到输出的映射。用损失函数评价模型/函数的好坏

机器学习相关技术

有监督学习：包括回归问题（样本值是连续值） + 分类问题（样本值是离散型）。数据集需要包括输入+输出（也叫label），分为训练集、测试集、验证集
半监督学习：训练集数据(training data)需要知道input和output，但output往往难获得。半监督学习中，未标注（无label）的数据对于学习也是有效的。
无监督学习：没有任何label的情况下，让机器自己学习。“无师自通”。（如机器看了一些动物图片之后，可以自动生成一些“动物”图片）
迁移学习：可以减少data的用量。如data中有大量不相干数据，在迁移学习中，不相干数据对学习也有帮助。
监督学习中的结构化学习：机器的输出是要有结构性的，而不是简单的数据/向量等。应用如：语音识别、机器翻译、人脸识别等
深度学习：机器自动学习学习找到目标函数，目标函数function很复杂，往往涉及多层神经元/神经网络，过程不可解释
强化学习：让机器根据得分/评价来进行自我学习。没有人告诉他什么是对/错。如聊天机器人，根据人的反馈（得分）来自我学习。

为什么要学习机器学习

AI训练师，需要为机器选择出合适的模型(model)和评价函数(loss function)。
模型在有些复杂场景难以训练，需要人为干预