机器学习框架知识（MF）

一：什么是机器学习

监督学习（supervised learning）：有数据和标签；让计算机学习标签代表哪些数据。

非监督学习（un-supervised learning）：只有数据没有标签；根据数据去总结分类出标签。

半监督学习（semi-supervised learning）：结合监督学习和非监督学习；如何利用少量的标签，大量没有标签的样本进行训练和分类。

强化学习（Reinforcement Learning ）：从经验中总结提升；规划机器人行为准则方面，将计算机丢到完全陌生环境或者让它完成一个从未接触的任务，自己尝试各种手段，最终让自己适应一个完全陌生的环境。etc:AlphaGo

遗传算法（Genetic Algorithm）：与强化学习类似，适者生存，不适着淘汰准则；通过淘汰机制，选择最优的设计或模型，并且不断繁衍变异。

## 二：科普: 人工神经网络 VS 生物神经网络

三：什么是神经网络 (机器学习) what is neural network in machine learning

对复杂输入输出进行的数学建模，模拟人类神经网络

四：科普: 神经网络的黑盒不黑 (深度理解神经网络)

输入——》【代表特征->…n次转换…->代表特征】——》输出
特征 黑盒
迁移学习：保留黑盒，换掉输入输出。

五：神经网络 : 梯度下降 (Gradient Descent in Neural Nets)

神经网络是当今流行的深度学习框架，基本原理即为梯度下降机制。
最优化问题optimization problem:
1.牛顿法（Newton’s Methods)
2.最小二乘法（least squares method)
3.梯度下降法（gradient descent），神经网络是梯度下降法的一个分支。

六：什么是卷积神经网络 CNN (深度学习)

卷积、池化（下采样）、梯度下降、反向传播（backpropagation）、损失函数最小
1.信号与系统里面通常用连续函数的卷积，因此做积分运算。这里卷积实质可以理解为：系统的输出由当前时刻的输入和之前所有时刻的输入
七：什么是循环神经网络 RNN (深度学习)
八：什么是 LSTM RNN 循环神经网络 (深度学习)
九：什么是自编码 Autoencoder (深度学习)
十：什么是 GAN 生成对抗网络 (深度学习)
十一：什么是强化学习? (Reinforcement Learning)
十二：强化学习方法汇总 (Reinforcement Learning)
十三：什么是 Q Learning (Reinforcement Learning 强化学习)
十四：什么是 Sarsa (Reinforcement Learning 强化学习)
十五：什么是 Sarsa(lambda) (Reinforcement Learning 强化学习)
十六：什么是 DQN (Reinforcement Learning 强化学习)
十七：什么是 策略梯度 Policy Gradients (Reinforcement Learning 强化学习)
十八：什么是 Actor Critic (Reinforcement Learning 强化学习)
十九：什么是 Deep Deterministic Policy Gradient (DDPG) 强化学习
二十：什么是 A3C (Asynchronous Advantage Actor-Critic) 强化学习
二十一：AlphaGo Zero 为什么更厉害?
二十二：什么是遗传算法? What is Genetic Algorithm
二十三：什么是进化策略 What is Evolution Strategy
二十四：什么是神经网络进化? What is Neuro-Evolution
二十五：什么是激励函数 (深度学习)? Why need activation functions (deep learning)
二十六：怎样检验神经网络 (深度学习)
二十七：为什么要特征标准化 (深度学习)
二十八：怎样区分好用的特征 (深度学习)
二十九：什么是过拟合 (深度学习)? What is overfitting (deep learning)
三十：优化器 Optimizer 加速神经网络训练 (深度学习)
三十一：处理不均衡数据 (深度学习)
三十二：什么是 Batch Normalization 批标准化 (深度学习 deep learning)
三十三：什么是 L1 L2 正规化 正则化 Regularization (深度学习 deep learning