机器学习简介(Introduction of Machine Learning)

1.What is Machine Learning

Machine Learning ≈ Looking for a Function From Data
机器学习三步骤

2.Learning Map

• Regression(回归)：The output of the target function f is “scalar”.（e.g.预测PM2.5进行天气预报）
• Classification：
  1. Binary Classification：机器输出”yes” or “No”。（e.g.Spam filtering）
  2. Multi-class Classification：机器做一个选择题，从数个类别中选择正确的类别。（e.g.Document Classification）

Classification的Model分为Linear Model和Non-linear Model，Non-linear Model中最出名的就是Deep Learning。

以上均为Supervised Learning，均需要大量的Training Data，Training Data可以告诉我们要找的那个function的Input与Output之间有什么样的关系(Function的output又常叫label)。

• Semi-supervised learning可以减少Training Data的用量。Transfer Learning也可以减少Training Data的用量，数据可以与考虑的任务无关（可以是标记的或未标记的）。
• Unsupervised Learning就是想让机器学到无师自通。例1：让机器看大量的文章，看机器是否可以学会词汇的意思，比如用向量表示词汇。例2：让机器去动物园看一大堆，看机器是否能在看过动物后学会自己创造动物。例3：机器在看过大量图片后是否能学会自己生成图片。
• Structured Learning是我们希望机器能输出有结构性的东西。
• Reinforcement Learning是我们不告诉机器正确答案，只告诉机器我们对它输出的评价，机器唯一知道的的就是它做的好与不好。更加符合人类真实学习的情景。Alpha Go is supervised learning + reinforcement learning.
• 图中蓝色部分指scenario，指学习的情景，由手上的Training Data决定。红色部分指task。绿色部分指Method/Model。

Why we need to learn machine learning？

AI训练师要为机器挑选合适的model和loss function，不同的model和loss function适合解决不同的问题。 有些模型的最佳化比较困难，需要有经验的AI训练师来处理