机器学习简介

近年来，经常会听到人工智能、机器学习和深度学习等概念，尤其是深度学习特别火热，似乎没做过深度学习，都不好意思说自己是cs的学生。
一、 人工智能、机器学习和深度学习之间的关系

人工智能是目标（人工智能顾名思义就是人为去创造智慧），机器学习是手段（让机器具有学习的能力），通过机器学习的方式去实现智能，机器学习包含深度学习。
根据生物学特性，我们知道智能分为两种情况，一是先天拥有（基因自带）二是后天学习。机器学习可以看做是后天学习，在机器学习出现之前科学家用什么方式实现人工智能呢？
类似于先天拥有（基因自带），科学家通过人为设定一些规则让机器看起来智能。

二、hand-crafted rules

在早期会通过hand-crafted rules 来达到人工智能，但是hand-crafted rules有缺点：
1 没有办法考虑到所有情况（永远无法超越创造者）
2 需要花费大量的人力

三、机器学习
抽象地来说，机器学习就是写个程序让机器具有学习的能力。人为设定是写程序让机器执行具体的事儿。

具体点说，机器学习就是从数据中学到一个function

机器学习需要：
1 大量的数据
2 一定的计算能力

简要来说，机器学习可以分为3步。1是通过模型提供大量的function 2 衡量function的好坏 3
选出最好的function

四、机器学习分类
机器学习根据使用情境可以分为：监督学习、无监督学习、半监督学习、迁移学习和强化学习。根据目标又可以分为回归、分类和结构化学习。

监督学习、无监督学习和半监督学习我们比较熟悉，来看看监督学习和强化学习的区别。

监督学习每个输入都有正确的答案，机器可以通过输入和答案来共同学习。而强化学习的每个输入并没有正确答案，只有评价好还是坏。机器通过输入和评价来学习。监督学习和强化学习很像我们在学校的学习和进入社会后的学习，在学校里学习老师会给我们正确答案，进入社会后没人会告诉我们正确答案，只会对我们所做所为给出反应，我们要通过其他人的反应来慢慢摸索学习。
很多时候，学习情境是我们自己没有办法控制的。不过，针对同一问题在可以做监督学习的情况下就不要去做强化学习。

根据目标分为回归、分类和结构化学习，其中回归和分类我们比较熟悉（回归的值通常是标量连续的， 而分类结果自然是类别，不连续的）。来看一下结构化学习：

结构化学习问题要比分类和回归问题更为复杂，但是生活中更常见的是结构化问题。