李宏毅《机器学习》笔记-1.Introduction of Machine Learning

1. 什么是机器学习

机器学习就是，针对给出的数据，寻找一个函数，给出合适的输出。例如：

2. 机器学习的步骤

正如将大象放进冰箱一样，机器学习步骤简化下来分三步：

1. 确定一个函数的集合（我们称之为model）
2. 定义评价函数：因为有很多个函数，我们需要定义出用什么方法评价函数的好坏，这也是我们通常所说的 loss function
3. 挑选最好的函数
   

3. 机器学习的划分

机器学习主要划分为以下几个方面：

1. 监督学习 Supervised Learning：即给定系统各个输入（input）以及对应的确定的输出（label），告诉系统：我给你一个X，你就要输出确定的输出Y，这也是最常用的机器学习方式。
2. 半监督学习 Semi-supervised Learning：有些情况下，我们手中的数据不够，有一部分输入对应确定的输出，但有一部分没有确定的输出（即一些input缺少label），这种情况就是半监督学习。
3. 无监督学习 Unsupervised Learning：所有input都没有label，即机器在没有任何监督它，只给它大量的输入，让它根据输入数据自己总结规律。（例如新闻分类）
4. 迁移学习 Transfer Learning：迁移学习，可以有label也可以没有label。比如我们有个模型可以识别猫和狗，我们将它迁移使用，用来识别大象和老虎。也就是数据都变了，但想模型重复使用。
5. 强化学习 Reinforcement Learning：强化学习，是机器学习很重要的分支。对机器进行的每一个动作进行评价，让机器在不断“试错”中学习

监督学习的细分

按照学习的目标，分为 回归 regression、分类 classification 和 结构化学习 structure learning：

1. 回归 regression：通过给定的输入，得到一个数值输出。例如：我给你过去几天的PM2.5浓度，你给我预测一下明天的PM2.5浓度（这是个数值输出）。
2. 分类 classification：通过给定的输入，得到一个离散型的输出，即属于哪个类。例如：我给你个邮件，你判断一下这个是不是个垃圾邮件（二分类问题）。
3. 结构化学习 structure learning：通过给定的输入，得到输出可能是序列（sequence）、列表（List）或者树（Tree）等类型。例如生成图像，文本翻译等。