李宏毅机器学习1-机器学习介绍
李宏毅机器学习1-机器学习介绍
在整个机器学习的Framework里有
step1：找一个fuction set
step2：machine可以衡量一个function是好还是不好
step3：让machine有一个自动的方法，有一个好演算法可以挑出最好的function
Regression(回归)
regression是machine learning的一个task，特点是通过regression找到的function，它的输出是一个scalar数值
Classification(分类)
Classification和regression的区别是：要求机器输出的东西的类别是不一样的。
在regression里机器输出的是scalar，而classification又分为两类：
Binary Classification(二元分类)
让机器输出yes or no。如判断邮件是否为垃圾邮件
Multi-class classification(多元分类)
让机器做选择题，每个选项是一个类别，从数个类别中选择正确的类别。如输入是一则新闻，输出是这个新闻属于哪一个类别
modle
Linear Model(线性模型)
Non-linear Model(非线性模型)
-
deep learning
-
SVM
-
decision tree
-
K-NN
Semi-supervised Learning(半监督学习)
在Semi-supervised Learning的技术里面，这些没有labeled的data，对机器学习也是有帮助的
lable(标签)
如果我们supervised Learning下进行学习，我们需要告诉机器function的input和output是什么。这个output往往没有办法用很自然的方式取得，需要人工的力量把它标注出来，这些function的output叫做label。
减少lable的用量就可使用半监督学习
要想要一个分类器，输入图片，区别是猫还是狗。
有少量的猫和狗的labelled data，但是同时你又有大量的Unlabeled data，但是你没有力气去告诉机器说哪些是猫哪些是狗。
Semi-supervised Learning中这些没有labeled的data，对学习也有帮助。
Transfer Learning(迁移学习)
同样做猫狗分类
假设我们要做猫和狗的分类问题，一样只有少量的有label的data。但是我们现在有大量的data，这些大量的data中可能有label也可能没有label。
这些图片中可能有其他动物甚至动漫图片Transfer Learning考虑这些不相干的data可以对结果带来什么样的帮助。
Unsupervised Learning(无监督学习)
在完全没有任何label的情况下，机器到底能学到什么样的知识。
只有function的输入，没有任何的输出，机器该如何生成我们想要的图片
Structured Learning(结构化学习)
在structured Learning里，我们要机器输出的是，一个有结构性的东西
在分类的问题中，机器输出的只是一个选项；在structured类的问题里面，机器要输出的是一个复杂的物件
如：在语音辨识里面，机器输入是声音讯号，输出是一个句子。句子是要很多词汇拼凑完成。它是一个有结构性的object。在机器翻译里面你说一句话，你输入中文希望机器翻成英文，它的输出也是有结构性的。
Reinforcement Learning(强化学习)
Supervised Learning：我们会告诉机器正确的答案是什么
比如训练一个聊天机器人，告诉他如果使用者说了“Hello”，你就说“Hi”；如果使用者说了“Bye bye”，你就说“Good bye”；就好像有一个家教在它的旁边手把手地教他每一件事情
Reinforcement Learning：我们没有告诉机器正确的答案是什么，机器最终得到的只有一个分数，就是它做的好还是不好，但他不知道自己到底哪里做的不好，他也没有正确的答案(从评价中学习)；
比如训练一个聊天机器人，让它跟客人直接对话；如果客人勃然大怒把电话挂掉了，那机器就学到一件事情，刚才做错了，它不知道自己哪里做错了，必须自己回去反省检讨到底要如何改进，比如一开始不应该打招呼吗？还是中间不能骂脏话之类的
Alpha Go是用supervised Learning+reinforcement Learning的方式去学习的，机器先是从棋谱学习，有棋谱就可以做supervised的学习；之后再做reinforcement Learning，机器的对手是另外一台机器。