李宏毅机器学习特训营*PaddlePaddle小白初探课节一

在智能车竞赛卓晴老师的公众号中了解到 paddlepaddle，因自己的竞赛组别也涉及到机器学习故前来取经，也算是想对自己点亮个技能点，努力奋斗吧~
在此记录，以共同学习并以此监督自己的探索之旅~
课程链接： 百度AI Studio李宏毅课程-机器学习

课节一—1 机器学习介绍

1.1 机器学习及相关名词间的关系

人工智慧-机器学习：为了达成人工智慧这个目标而采用机器学习的手段
深度学习-机器学习：深度学习属于机器学习其中的一种方法

1.2 机器学习出现前的“机器学习(误)”

“hand-crafter rules”（人类设定好的天生本能）

weakness(存在缺陷)：

• Hard to consider all possibilities (不可能考虑到所有可能性，僵化)
• 永远无法超过创造者，局限于规则
• Lots of human efforts (not suitable for small industry) (欲想完善需要极大人力及数据源)

不要把“IFs"当作AI ！！！

1.3 So what is Machine Learning

“Looking for a Function From Data” 根据提供的资料寻找出一个function

1.4 Framework of Machine Learning

1.5 基于Learning Map的各部分简单介绍

Supervised Learning(监督学习) : sickness : Hard to collect a large amount of labelled data (需要大量training data , label (即output) 依赖人为获取)
Regression(回归) : The output of the target function f is “scalar”. （输出为数值）
Classification(分类) ：Binary Classification (二元分类[是/否] ) / Multi-class Classification. (数个选项)
Linear Model(线性模型)
Non-linear Model(非线性模型) : Deep Learning(深度学习) : function复杂 ; SVM, decision tree, K-NN 等
Semi-supervised Learning(半监督学习) : 少量Labelled data与大量Unlabeled data
Transfer Learning(迁移学习) : 少量Labelled data与大量无关data
Unsupervised Learning(无监督学习) : 无Label
Structured Learning(结构化学习) : Beyond Classification (还未深探究)
Reinforcement Learning(强化学习) : Learning from critics (从评价中学习，更符合人类学习的情境)

“Alpha Go is supervised learning + reinforcement learning.”

课节一—2 为什么要学机器学习

机器学习也需要人（AI训练师）去提供不同的、合适的model和loss function来针对面向不同的问题。