李宏毅机器学习——0.Introduction

该系列文章是通过观看李宏毅机器学习视频所做的笔记。

一.机器学习介绍

目标：人工智慧（Artificial Intelligence)
手段：机器学习（Machine Learning）
深度学习是机器学习中的一种方法

Machine Learning≈Looking for a Function
eg:语音辨识中：找一个function,输入的是声音讯号，输出语言辨识的文字。

如何找到这个function呢?
以影像辨识为例，找个function输入一张图片，输出的是这个图片里面有什么样的东西。

因此Machine Learning Framwork分成三个步骤：

二.机器学习相关的技术

Learning Map如下图所示：

1.监督学习

监督学习需要大量的training data(有标签label的数据)
任务：Regression(回归)：function的输出是Scaler(数值)
比如：预测未来某个时间的PM2.5

任务：Classification(分类):function的输出是类别

• Binary Classification(二元分类)，输出yes or no
  eg:鉴别垃圾邮件
• Multi-class Classification(多分类)，输出类别（class1,class2,…）
  eg:对文章进行分类（体育，政治，…，经济）

在求解以上任务的第一步就是要选择function set（即不同的模型），最简单的是线性模型，但很多时间会花费在非线性的模型中。

2.半监督学习

半监督学习可以减少label需要的量（data既有label data,也有unlabel data）。

3.迁移学习

迁移学习也是减少 label的量（有少量label的data，有大量和任务不相关的data（label和unlabel））。

4.无监督学习

没有任何label。比如聚类：将数据集分成由类似的对象组成多个类的过程。还可以用于降维

5.监督学习中的无结构化学习

机器的输出是要有结构性的。eg:语音辨识中，输入的是声音讯号，输出的是一个句子。

6.强化学习

没有正确答案，从评价中进行学习，只知道做的好与不好。需要一个对手。
Alpha Go：监督学习+强化学习