学习打卡系列Day1——李宏毅机器学习（10月）

 想写在最前面的碎碎念，“首次加入DataWale举办的系列学习活动中，跟随船长脚步，与其他船员们一起快乐通关！希望能够积累知识，早日带领自己的船员扬帆起航！”

目录

一、机器学习介绍

1. 人工智能、机器学习、深度学习三者之间的联系

2. 机器学习的三个步骤

3. 相关技术（学习策略、任务、方法）

 3.1. 监督学习

3.2. 半监督学习

3.3. 迁移学习

3.4. 无监督学习

3.5. 强化学习

二、为什么要学习机器学习

---

一、机器学习介绍

1. 人工智能、机器学习、深度学习三者之间的联系

人工智能是实现目标，机器学习是实施技术，而深度学习是机器学习的一个分支。人工智能的概念早在1950年就提出来了，而1980年之后才出现机器学习的方法。早年机器学习依赖于人工提取特征，而目前最火热的深度学习可以自主学习数据特征。“人工智能”可以理解为人类教会机器如何去学习（机器学习算法），使得机器变得智能化。

2. 机器学习的三个步骤

• 找函数
• 评估函数的好坏
• 自动筛选最优函数

3. 相关技术（学习策略、任务、方法）

摘自“ LeeML-Notes”

 3.1. 监督学习

使用有标签的样本进行模型训练，预测标量的任务叫回归；预测离散结果的任务叫分类。还有一类叫做结构化学习，即模型输出结果是具有结构性的。

3.2. 半监督学习

监督学习需要明确的告诉模型输入和标签，标签一般由人标注，耗时耗力。为了降低标注成本，引入半监督学习的概念。部分带有标签的数据训练模型。

3.3. 迁移学习

任务A有大样本数据，任务B数据量较小，A与B考虑的实际问题并不相同，但是A与B都是分类任务，因而将A的经验权重迁移至B任务中，即是迁移学习的思想。

3.4. 无监督学习

本质思想：无师自通。用无标签数据训练模型。

3.5. 强化学习

代表性实例Alpha Go。将强化学习与监督学习作对比，前者模型会得到固定的正确答案，而后者只能依靠反馈，不断学习，逼近正确答案。

为什么不做强化学习，要做监督学习？如果有大量标签数据，谁还做强化学习。打个比方，医学图像分析领域，如果都能拿到大样本的医生标注的高质量图像数据，谁还会做半监督、无监督模型。

小结：学习策略依据数据的类型（有标签、少量标签、无标签），任务可以出现在不同的学习策略中，针对不同的任务，又有多种实现方法。

二、为什么要学习机器学习

个人观点：在学习“机器学习”的过程中，经常会听到“AI将取代人类工作”，首先我不认同这个观点，从始至终我认为AI是可以使人类提高幸福感的工具，目前已融入到我们的日常生活中，将来只会与我们的生活联系的更加紧密。AI的出现，可能会取代许多传统行业，但是同时也会激发更多新兴产业，人类一直都是最高级的生物，善用AI，才能创造更加美好的未来。

工欲善必先利其器，机器学习算法众多，选择适合任务的算法，才有可能达到预期结果。而且直接照搬算法，可能效果不佳，因此需要有经验的人进行模型调参。

打卡第一天，继续加油！