机器学习课程笔记（一）

学习李宏毅《机器学习》课程笔记，具体视频可以到https://www.bilibili.com/video/av59538266/中观看。

人工智能（目标）-机器学习（手段）--包含深度学习

传统实现人工智能：利用一定的规则，编程制定规则达到输出。缺点：无法考虑到所有可能性，而且无法超越创造者。

机器学习：写一个学习的程序，用大量数据教他学习，使得他具有根据数据得出结果的能力。

Machine Learning约等于从数据中寻找一个函数

Framework：

训练过程：

        准备一个function set。里面有许许多多的function（我们将这个set称为model）。

        然后Training Data：通过将有输入和输出的训练数据代入function里面，找到最符合的那个function。

        这一个过程称之为监督学习。

        由于function set里有无穷多函数，所以要有一个有效率的算法去找出最好最符合的function，称之为f*。

测试过程：

        输入训练集数据中没有的输入，通过f*得出预测的结果。

所以整个机器学习分三步走：

step1：定义一个函数集（model）

step2：怎么评判函数好坏

step3：找到最好的那个函数

一个学习图谱

Supervised learning（监督学习）：训练数据：输入/输出，函数输出等于标签。

    regression：OutPut是一个数字，比如预测明天PM2.5值

    classification：输出东西的类型不一样

            Binary classification：输出是/否，比如垃圾邮件的检测

            Multi-class classification：输出多个类型，判断是哪个类型，比如新闻分类

    然后classification里面有很多function set（model）

            linear model

            deep learning

            SVM,decision tree，K-NN等等

    structured learning：输出的是一个部件，比如拼起来的词。语音识别成拼出来的词。

Semi-supervised learning（半监督学习）：训练数据：一部分有标签的数据，一部分没有标签的数据

Transfer learning(迁移学习)：训练数据：输入/输出有标签，然后加上一部分不管有没有标签而且和原来的训练数据无关的数据

Unsupervised learning（无监督学习）：一堆图输入后，生成不存在的图。

Reinforcement learning（强化学习）：监督学习是通过教的方式学习，而强化学习则是通过机器做的结果的评价来修正自己的行为来学习。