DL入门笔记——机器学习（1）

一、直觉性解释机器学习

寻找一个function或者一系列rules，使得当给定输入时，机器可以像人一样给出输出

【Model】即对应着所有可能function对应的set

定义函数set——衡量模型好坏——选择最佳模型

二、监督学习（supervised learning）

（1）回归问题

function集的输出是scalar连续数值

（2）分类问题

分为二分类与多分类

（3）deep learning问题

非线性学习方法，用于语音、图像等

三、半监督学习（semi-supervised learning）

具有一部分带有标签的data以及一系列不带ground truth的data，基于这些数据去对模型做拟合

四、迁移学习（transfer learning）

intuition：如果需要做猫狗分类问题，但我们现在有大量的数据，这些数据中有些有label有些没有label，且不一定和猫狗问题相关，可能是毫不相关的照片

五、无监督学习（Unsupervised learning）

无ground truth，去学习数据内部信息

六、结构化学习（Structural learning）

例如语音识别，翻译，人脸识别等

输入输出都是结构化的object

七、强化学习（Reinforcement learning）

在强化学习中，我们不告诉机器正确的答案是什么，事实上我们也无法预知正确的答案是什么。机器只拥有一个分数，机器会基于多次尝试后得到的累计award做对应的学习与优化。