[百度飞桨-李宏毅课程-机器学习]01-机器学习介绍

虽然是科班计算机出身。但是毕竟不是科班机器学习出身，或者说上课时没正式上过《机器学习》（当时的《模式识别》课程有点像，但是感觉很不成体系）

所以，虽然稀稀拉拉学习过很多次机器学习课程。但是总感觉心中没底。感觉并不扎实。（譬如对应的，大学毕业后从来没有重新学习过一次数据库 :)  ）

此次且当做复习和补漏吧。看看能不能边学习，边把要点记完整些。（记笔记，很多时候自己是虎头蛇尾，这次再努力一次看看能否有始有终）

1）大致历史：1950s 开始探索AI；  1980s 开始探索ML（AI的子集）；  2010s开始探索DL（ML的子集）；

2）起初，人为设定规则，譬如： 对话中出现“关闭”，AI模块则把音乐关闭； 那么假如对话中说“不要关闭”呢？  AI就误判了。

       所以认为规则的方法，很难覆盖各种可能；需要为编写规则付出很大的努力；

3）ML的方法，就是给很多示教的材料（有输入、给输出的标准答案），试图学习  f(输入) = 输出；  试图学习函数f；

      输入包括 文本、声音、图像、棋盘等。

4）每一种机器学习模型框架，都提供了很多灵活的模型空间，可以拟合各种输入输出，学习的过程就是在模型库中找到最能匹配拟合  训练集的那个参数组；

5）课程学习分以下几块： 总的｛学习理论｝； ｛有监督学习，无监督学习，半监督学习，迁移学习，强化学习｝；

       有监督学习：｛回归学习，分类学习，结构学习｝；   分类学习：｛线性模型， 深度学习，SVM、决策树、K-NN｝

6）回归学习：  譬如预测 每天的 PM2.5；   预测结果是一个 值；

7）分类学习：  二分类（是否垃圾邮件）；多分类（新闻分类）；

8）深度学习：图片分类（是猫、是狗、是猴子。。。）； 棋谱学习：也可以看做是一种深度学习分类；

9）为什么要学习机器学习： 充当AI训练师，选择合适的 model，loss function，等；训练过程也很重要，不一定能找到best function

 

课程目录：

1）机器学习介绍；  2）回归；3）梯度下降；  4）分类；  5）支持向量；  6）集成学习；  7）  深度学习预备；  8） 卷积神经网络；  9）循环神经网络；  10） 半监督学习；  11）无监督学习；  12） 深度生成模型；  13） 迁移学习；