1.初识机器学习

1.机器学习介绍

机器学习，是基于已有的数据学出一个AI模型函数来，再将新数据输入到AI模型函数里去做预测。

所谓机器学习，就是我们通过编写程序，让机器具有学习能力。之后我们开始教导，训练机器，让它实现某种功能。

假如说我们希望机器具有图像识别的功能，我们通过给机器看各种生物的图片，并告诉它图片上的是什么生物进行训练。训练完之后，当我们给它看有关猫的图片时，我们希望它能认识这张图片里的生物是一只猫。

所以，机器学习就是寻找一个函数(function)，但我们向机器输入数据时，机器通过这个函数，得出我们想要的结果。那么如何寻找这个函数呢？

我们以上述的例子为例，首先我们需要有一个函数集合，当你向这些函数输入同一张图片时，它们可能会有不同的输出。比如你输入一张猫的图片，有的就能识别出它是一只猫，而有的却认为它是一只狗。

接下来，我们需要机器识别哪些是好的函数，哪些是不好的函数。我们就需要准备一个训练集，它有输入和输出组成。当我们将训练集的输入通过函数集合得到各个输出后。函数的输出和实际输出进行对比，正确率高的即为好的函数，此时机器就有了识别函数好坏的能力。

虽然机器能够识别函数的好坏，但是一个函数集合里的函数太多了，一个一个判断会非常浪费时间。所以我们需要一个有效率的演算法，它能从函数集合里快速挑出一个最好的函数。

在找到这个最好的函数后，我们就可以运用它进行新的图像识别。

总的来说，机器学习的构建分为三个步骤

1. 定义一个函数集合
2. 判断函数好坏
3. 挑选最好的函数

2.机器学习相关技术

1.监督学习(Supervised Learning)

监督学习是从标记的训练数据来推断一个功能的机器学习任务。

监督学习需要大量的带有输入(input)输出(output)的训练数据对机器进行训练。有时候output无法用很自然的方式取得，需要用人力标注出来，这些output就称为标签(label)

监督学习有两个任务：回归(Regression)和分类(Classification)。回归和分类的区别在于一个输出的是数值，一个输出的类别。

举个例子，我们通过监督学习进行股票价格预测，其输出是未来某天的股票价格的数值，这就是回归。

而分类问题，可以分为两种，一种二分类问题，其输出是是或否，一种是多分类问题，从多个类别中输出一个类别。

举例来说，我们判断一个邮件是否为垃圾邮件，它的输出结果只有是或不是，这就是一个二分类问题。

而我们需要判断一个垃圾是什么类别垃圾，它的输出有多个比如：可回收垃圾，不可回收垃圾，有害垃圾等等，这就是一个多分类问题。

监督学习的模型有很多，最简单的是线性模型(Linear Model)，而在机器学习中主要使用的非线性模型(Non-linear Model)，包括深度学习(Deep Learning)，svm，决策树等等。

2.半监督学习(Semi-supervised Learning)

半监督学习是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。

相较于监督学习，半监督学习并不需要所有的训练数据都有label，这些没有label的数据，可能也对学习有帮助。

3.迁移学习(Transfer Learning)

迁移学习指的是一个预训练的模型被重新用在另一个任务中。

4.无监督学习(Unsupervised Learning)

根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。

5.强化学习(Reinforcement Learning)

监督学习会告诉机器正确的输出是什么，而强化学习没有正确的输出，机器所拥有的只有一个分数，就是它做的好还是不好。

例如，让机器和客人进行对话，最后客人很生气的把电话挂了，那么机器就对此判断刚才的对话有错误。当它不知道哪里做的不好，它要回去反省检讨哪一步做得不好。