李宏毅深度学习笔记-P1机器学习介绍

       好了，今天开始了李宏毅先生机器学习课程的自学，千里之行始于足下，P1介绍篇章是一个介绍性的概括章节，主要讲清楚了这门学科的几个基本问题。

       总结起来这一节主要说了两个问题，when & what，如下图1所示是机器学习发展的大致脉络，就我看来主要有两个时间点，第一个是19世纪80年代，此时AI界开始使用机器学习的方法来实现人工智能的目标（个人理解是放弃了handcrafted的规则推导，使用的是以概率论为基础的机器学习），第二个是2010年左右开始的深入，提出了深度学习的概念，是在基础的机器学习模型/方法上提出了新的模型和方法，用于解决更复杂的场景问题。 

图1

       在了解了机器学习学科发展的时间脉络的基础上，接下来介绍的是机器学习是什么的议题。从目的来看，机器学习是让机器拥有人的能力，比如识别图像，识别文字亦或是识别语音，如下图2

图2

把这个问题转化一下，其实就是一个映射，无论是从图像到猫的映射，还是文字到语义的映射，其本质就是一个函数，也就是说，人工智能问题的数学模型是求解函数（即使这个函数可能比较复杂），即找到一个正确的函数，能正确的反应输入和输出之间的关系。

       那么如何找到这个函数呢，类比于人的学习方式，机器学习求解的方式分成三个步骤，即找到一个函数集，然后用训练数据来给每一个函数进行打分，然后通过分数来获取最匹配的函数。另一方面，介绍篇也概括整个机器学习包括了哪些内容，分别从场景，任务和方法来进行范围从大到小的归类。

     场景上说，依据对标注训练数据的依赖程度，从大到小分为supervised learing，semi-supervised learning，transfer learning，unsupervised learning，reinforcement learning，另外在有监督学习supervised learning中还有一种structured learning，是用于处理非常规任务时使用，这个在后面会提到，所以场景分类可以理解为根据拥有的数据条件进行的分类。在supervised-learning中，依据任务-或者说解决的问题不同，分为regression，classification，structured learning三类任务，regression的任务目的是依据输入，输出一个数值结果。classfication会比较复杂，分成两种，一种相当于做判断题，根据输入判断YES OR NO，是binary classfication，另一种是相当于做图书归类，将输入归入某一类的结果，是multi-class classification；那么在classfication类型的任务中，如果针对简单的线性问题，我们可以使用 linear model 进行解决，而对于更复杂的问题，我们需要使用非线性的模型，如decision tree,SVM,K-NN或者Deep Learning来解决。structured learning是有别于regression，classification外其他所有类型任务的总称，简单来说就是输出是一个结构化的数据。

       最后一个场景是强化学习（reinforcement learning），这个对于我来说比较特殊，单独来说，它是基于最终的反馈结果，来对前面所有的决策进行调整，最终得到最优函数的学习方式，强化学习场景下也没有标签化的训练数据，我的理解，强化学习非常适合路径规划类型的问题，如游戏角色的行走路线，围棋走法的策略，还有机器人的行走路线，有幸研究过强化学习的课题所以印象会稍微深一点，数学上说强化学习需要一个可收敛的模型，学习的过程就是模型不断收敛的过程，最终获得全局最优解，以上是本章的学习内容啦，谢谢~