【机器学习】001——从西瓜书开始机器学习！

西瓜书笔记——001 入门

参考资料：周志华《机器学习》（别名：西瓜书）
链接：https://pan.baidu.com/s/1-9wlwhjEUrz2oD4OlH3-iw 提取码：ne00

本节主要目的：

• 机器学习是什么？
• 机器学习有哪些应用？
• 我们应该重点关注哪些应用？

一、前言

机器学习两大基本问题

回归问题
分类问题
实际生活中，机器学习的问题会比较复杂。
但是本质上可分为3种情况：
回归问题；
分类问题；
回归和分类的组合。

什么是机器学习？

根据已知的数据，学习出一个数学函数$f(x1,x2,x3,...,xn)=y$使其能够有更强的预测能力。

一些专有名词

机器学习模型：f
features
Lable
样本
数据集

二、机器学习的应用案例（核心内容）

1. 数据挖掘——发现数据之间的关系

案例：

• 1.1 血糖值预测
  
  机器学习根据已知的数据，用机器学习的方法，学习出一个数学函数f。又因为拟合函数的输出“血糖值”是一个连续的小数，因此我们把这个问题叫做回归问题。
• 1.2 有无糖尿病预测
  
  和案例一类似，但因为该案例的输出是0、1的问题，结果是离散的，因此我们把这个问题叫做分类问题（即，样本属于哪个类别）。

2. 计算机视觉——像人一样看懂世界

案例：

• 2.1 图像分类（对一张图片进行分类）
  
  通常数据分类任务的数据集至少有上万个样本，图像分类任务 就是利用机器学习从数据集中学习出一个数学函数f，使其具有能将图片进行分类的能力。

• 2.2 目标检测（让机器检测出一张图片中的所有物体，并判断出物体的类别，且计算出物体在图片中的坐标信息）
  
  对于目标检测来说，一个样本的Label信息更复杂，但本质上来说还是求一个数学函数的问题，只是数学函数的输出是多个值。

• 2.3 语义分割
  与目标检测相比，语义分割更为精确。目标检测时检测框框起来的部分还包含了物体周围的信息，而语义分割仅仅分割出物体自己本身。
  

• 2.4 场景理解（语义分割任务的典型应用）
  

3. 自然语言处理——像人一样看懂文字

案例：

• 3.1 文本分类（如新闻分类，体育？政治？科技？…）
• 3.2 自动生成文本摘要
• 3.3 翻译
  
• 3.4 问答
  自然语言处理中比较复杂的一个任务，给定一篇文章和一个问题，得到对应答案。
  
• 3.5 人机对话
  任务本身比较复杂，但生活中很常见。现在做得比较好的应该是微软小冰。
  
• 3.6 image to text
  给模型一张图片，模型输出一段描述图片内容的文本。
  

4. 机器人决策——像人一样具有决策能力

案例：

• 4.1 端到端（End to End）级自动驾驶
  传统的无人驾驶是由相机和雷达采集车周围的信息，然后由计算机对其进行三维建模，根据建好的模型进行路径规划，最总产生控制信号控制车辆。
  即需要3个步骤：
  感知环境 -----> 路径规划 -----> 产生控制信号

而端到端（End to End）级的实现，只需将相机采集的信息输入机器学习模型，模型输出控制信号控制车辆。省略了感知环境、路径规划的步骤。

• 4.2 玩赛车游戏
  游戏背景：
  
  工作原理：
  
• 4.3 机器人开门
  过去，我们要手持遥控器给机械臂指令，机械臂才能开门。现在机器通过自身摄像头获取的信息，能自动执行任务。
  
  学习机器学习模型时，一般采用的方法是先用仿真环境经过大量的学习训练，得出一个模型，然后再在真实环境中经过少量的训练，对模型进行调整，以便更好地迁移到真实环境中去。

三、机器学习理论大概的分类

三大理论体系（最活跃）

监督学习
深度学习
强化学习

总结

建议：

西瓜书虽然很经典，但第一章绪论部分就劝退了很多人，建议调整学习章节（参考下图），也不要为难自己第一遍就要把书彻底看透。

作者有话要说：小白一枚，主要研究方向是计算机视觉，笔记作为学习记录打卡之用，转载注明出处。