PyTorch学习之旅（二）——机器学习基础

前置文章传送门：PyTorch学习之旅（一）线性回归模型

深度学习是机器学习的子集，因为层数较多（深度较深），故名深度学习。
因此首先了解机器学习的基本概念也是很有帮助的

参考书为《PyTorch深度学习》，ISBN: 9787115508980，可配套食用。

一、三类机器学习问题

主要有三类：有监督学习、无监督学习和强化学习。

这里的监督怎么理解呢？
监督可以理解为训练数据需要人工打标签，比如首先收集到1000张动物图片，由人来区分都是什么动物，为其打上标签。
有监督学习的目标是：利用已知标签的数据训练模型，用于预测未知数据。
而无监督学习就是在没有标签的情况下，通过可视化和压缩来理解数据。
无监督学习的例子：
聚类、降维
有监督学习的例子：
分类问题、回归问题（预测股票价格）、图像分割（如行车环境中的行人、树木、车辆等）、语音识别（Siri）、语言翻译…

强化学习在书中说是最不流行的机器学习，话虽没错，但强化学习与深度学习结合的深度强化学习在特定领域也很有前景。
强化学习的原理是：
首先通过动作Action与环境Env进行交互，动作对环境产生影响从而使智能体Agent进入新的状态State，同时智能体会收到环境给出的奖励回馈Reward。Agent和Env通过不断的循环、交互从而生成大量数据，强化学习的算法则利用这些样本数据来调整策略π，然后再与Env交互进入新状态State并生成新数据，其后利用生成的新样本对策略π再进行多次修正。 经过大量的迭代学习后，Agent最终能学到完成相应任务的最优策略。

二、机器学习术语