李宏毅机器学习课程笔记（1）机器学习概述（无任何废话）

 

人工智能是目标，机器学习是一种方式，而深度学习是机器学习中的一种。

 

 

hand-crafted rules人工智能：其本质就是通过许多if判断语句去实现，然而并不能完成比较复杂的任务，通过编写大量的if语句，没有真正的“智慧”，之前的早期人工智能，基本都是用这种技术，无法超越其创造者。

Machine learning ：使机器有学习的能力，让其有云辨识的能力。即寻找出我们所需要的function。

Deep learning ：机器学习的一个分支。

图1-1 人工智能与机器学习深度学习

在实际深度学习设计过程中，通过从函数集中选取合适的模型与训练集进行处理，得出模型的优劣，从而取得较为适应的模型，对该模型便可输入新的样本，得到输出。

 

 

图1-3 机器学习整体框架

Semi-supervised learning 不进行标识的训练集对学习也会有帮助。

Transfer Learning 不相干的训练集对机器学习也有帮助。

Unsupervised learning 无监督学习，大量样本，没有标注

Reinforcement learning 强化学习，不提供正确答案，告诉机器做的好还是不好。

 

       一些个人思考：在课程中提到的强化学习是给计算机做出的响应一个“好”或“坏”，来修正计算机之后的行为，为什么不能使用一个数值作为一个修正的条件呢？比如说我们期望最好的结果是0，在作出判决之后可以给计算机一个数（可正可负），对其进行修正，这样可以使用控制领域的一些理论（比如PID控制）来预测出模型的一些特性。同时，多种分支路线情况下，也可以给不同的值定义不同的含义，使有更多的选择，也可以做成多维的坐标进行更多维的求解。一点个人思考，天马行空，如果该想法已经实现或者实现很困难，暂且先赔个不是。

      今天主要学习了李宏毅机器学习的第一节课，大概了解了机器学习的整个过程，使用训练集与函数库种的模型优劣分析筛选，得到较为合适的模型。同时，学到了机器学习种的大致分类，写了自己第一篇博客，很开心，希望自己可以更加努力学好机器学习，未来可以帮助更多的人。