李宏毅《机器学习（2017版）》课程笔记及心得 第1篇——Introduction of ML

1.首先，机器学习是什么？

机器学习，就是“根据所给数据，寻找一个函数，给出适当输出”。通过这个函数，我们可以给它一个输入，得到理想的、正确的输出。我们通常需要给它数据，训练一个机器的学习能力。

例如：Speech Recognition就是我们给它一段音频，它给我们识别，输出这个音频说的内容是什么。

2.机器学习的大致步骤：

机器学习，虽然分为很多种，但大致都有三个步骤：

1）确定Model：Model就是a set of function（函数的集合），一个Model有很多个函数，通过函数我们得到想要的output。

2）评价函数（Goodness of function）:因为有许多的函数，我们要通过一个确定的方式去挑选出最好的函数，通常我们用loss function 去评价一个函数的好坏。

3）挑选并使用函数。

3.机器学习地图：

如图所示，就是学习地图。可见，机器学习以情景分类，可以分为：

1）Supervised Learning：即给定系统各个输入（input）以及对应的确定的输出（label），告诉系统：我给你一个X，你就要输出确定的输出Y，这也是最常用的机器学习方式。

2）Semi-supervised Learning：有些情况下，我们手中的数据不够，有一部分输入对应确定的输出，但有一部分没有确定的输出（即一些input缺少label），这种情况就是半监督学习。

3）Unsupervised Learning：所有input都没有label，即机器在没有任何监督它，只给它大量的输入，让它根据输入数据自己总结规律。（例如新闻分类）

4）Transfer Learning：迁移学习，可以有label也可以没有label。比如我们有个模型可以识别猫和狗，我们将它迁移使用，用来识别大象和老虎。也就是数据都变了，但想模型重复使用。

5）Reinforcement Learning：

强化学习，是机器学习很重要的分支。

在监督学习时，机器在向“老师”学习。我们就是机器的老师：我们告诉机器，我给你一个输入，你就该给我对应的这个输出，我说hello，你就应该回复我Hi！

在强化学习中，机器在向“评价”学习。机器自己学习，我们没告诉他应该具体什么，只给它输出的结果打分，它在一次次的结果中，被批评的过程中自己总结经验。

举个很著名的例子：AlphaGo——它就是在和监督学习强化学习中被训练的。首先，它向棋谱学习，也就是说告诉它应该做什么，应该怎么下，这是固定的套路（监督学习）；其次，到了后期，它的水平很高之后，它开始向对手学习，这个“对手”可以是另一台机器，也可以是人类棋手，它在一次次比赛结果中总结经验（强化学习）。

4.监督学习的细分：

按照任务，主要分为regression、classification和structure learning。

1）regression：我给你一个输入，你给我一个数值输出，例如：我给你过去几天的PM2.5浓度，你给我预测一下明天的PM2.5浓度（这是个数值输出）。

2）classification：我给你一个输入，你告诉我这个输入属于哪个类。例如：我给你个邮件，你判断一下这个是不是个垃圾邮件（二分类问题）。

classification按照方法，又分为：线性模型和非线性模型。

非线性模型常见的方法有：深度学习，SVM，决策树，K-NN等等。。。

以上，就是机器学习的简介，在以后的课程中，会各个细分的学习。