一、深度学习-定义与概念

1.阿瑟•塞缪尔 （ArthurSamuel）的跳棋游戏

1952年，阿瑟•塞缪尔（ArthurSamuel）研发出了一个跳棋程序，这个程序奇妙的地方在于，阿瑟自己并不会下跳棋，他是通过让程序不停的和自己下跳棋，慢慢的让这个程序自己称为一个跳棋高手。它是世界上第一个可以自主学习的程序。

 问题：

如果上面的跳棋程序，只和自己玩过10场游戏（而不是好几万场），它的表现会如何呢？

A.会更好

B.会更差

答案是B会更差。

2.阿瑟•塞缪尔对人工智能程序的定义

filed of study that gives computers the ability to learn without being explicity programed

阿瑟•塞缪尔对人工智能的定义，很不正式的，在后面的课程中我们会，给出更加正式的定义。

3.机器学习基本概念和本课程的基本目标

机器学习算法：

• 有监督的学习：1.应用广泛，2.近年来，成果多多
• 无监督的学习
• 强化学习

本课程有三节课，1,2节课介绍有监督的学习；3节关注无监督的学习。

算法就像是工具，技能就像是如何盖房子。

如果有人给你一把个锤子和一个电钻，然后和你说，你已经掌握了如何盖房子，去盖房子吧。你肯定会觉得他在胡扯。

机器学习也是这样，如果只告诉你算法，但是不告诉你如何应用这些算法的技巧，你也很难搭建出自己的项目。

本节课程不仅会介绍算法，更会告诉你应用他们的技巧。

4.有监督的学习

是指学习 x 到y的映射，或者说input 到output label的映射。

定义的关键是，你给你的程序有正确答案（正确的label y）的样例，然后通过学习，输入参数x和正确的回答 y，让算法最终能，只给输入x，就能给出正确的回答y。

例如：

• 输入是 email，你的输出是邮件是否是垃圾邮件。那么你的算法得到的就是垃圾邮件过滤器。
• 输入是音频，输出是音频对应的文字，你得到的就是语音识别软件。
• 输入是english，输出是Spanish，你得到的就是翻译软件。
• 输入是广告，用户信息，输出是是否点击，你得到的就是在线广告推荐程序。
• 输入是图片和雷达信息，输出是其他车辆的实际位置信息，你得到的就是自动驾驶的软件。
• 输入是刚下线的产品，输入是是否良品，你得到的就是，良品视觉检测软件。

（1）回归（Regression）问题

如果预测的的结果，是一个数字，如房屋价格（比如输入是房屋面积，输出是价格）。那么这种算法，就称为回归（regression）

更准确的定义是，从无穷的数字中，预测出一个具体的数字。

（2）分类问题（ classification）

例如，根据肿瘤大小确定是否良性；根据图片，判断是 什么动物（猫、狗、兔子。。。等等）

根据输入，从有限的正确答案结果集合中，选出一个正确的答案。

（3）多维输入

现实中，机器学习问题的输入往往是多维的，比如，判断肿瘤是否良性的输入，除去大小，还有患者的年龄 ，如下图

我们用年龄作为纵坐标，肿瘤大小作为横坐标 ，圈代码良性，叉代表恶性。那么机器学习的目的就是找到一条线（可以是曲线）来分开良性和不良的结果。

如果输入是三个参数，就是在三维空间中找到一个平面 分开，三个参数描述的点。

如果是超过三个参数的超空间，就是一个超平面来来分开这些超空间。

这里只是给大家一个感性的认识，代表的数学知识，并不是本课程要探讨的，如果不了解相关概念，可以跳过。 只用感受上面的二维图像，也是ok的。

5.无监督的学习

（1）聚类

在无监督的学习中，例如上图，我们给出 患者年龄和肿瘤大小，但是不会给出肿瘤是否良性，我们也不会让算法帮我们推算是否良性，而是让算法自己，寻找这些据中有趣的东西如，数据的结构和模式。

并且把结构，或者模式，或者其他方面有相似性的数据放到一起，这种叫做聚类（clustering）

• 熊猫新闻
• 基因分类

（2）异常检测

无监督学习的另外一种应用是异常检测，比如金融诈骗检测。这在金融活动中非常重要。

总结：

1. 我们介绍了机器学习的第一个程序，以及作者对机器学习的定义。

2.我们介绍了目前机器学习的常见分类。

•  有监督的学习
  • 回归
  • 分类
•  无监督的学习
  • 聚类
  • 异常检测
•  强化学习

3.记住机器学习的算法和技巧同样重要，后面的学习中要同样重视。