台大李宏毅老师的机器学习课程笔记。
传送门：
下一课：李宏毅机器学习笔记——01.回归（Regression）
- 人工智慧：是想要达成的目标
- 机器学习：达成目标的手段
- 深度学习：是机器学习的其中一种方法
人类设定好的天生本能，永远无法超越创造者 (if...)
What is Machine Learning?
写程序让它具有学习的能力
Machine Learning 做的事就是在寻找一个Function，根据提供的资料，寻找出我们要寻找的Function
如何找出Function？
- 准备一组函数集合，集合里面有成千上万个function，这个function 的集合就叫做model
- 根据训练数据，告诉机器一个好的function，它的输入输出是什么样子，机器根据训练资料判断一个function是好的还是不好的
- 需要一个有效率的演算法，可以从function的集合里面挑出最好的function
Learning Map
监督学习（supervised learning）
回归（regression）是机器学习的一个任务，机器学习找出来的function输出的是一个数值
分类（classfication）与回归的差别是让机器输出的类别是不一样的，分类问题又分为两种，一种是二元分类（binary classfication），在二元分类里让机器输出的是‘是’或‘否’（yes or no）；另外一种是多元分类（multi-class classfication），机器要做的是一个选择题，给它数个选项，每个选项都是一个类别，它从数个类别里面选择正确的类别。
监督学习的问题是，我们需要大量的训练数据，训练数据告诉我们要找得function，它的输入和输出有什么关系，这个function的输出叫做标签（label）
半监督学习（semi-supervised learning）
在识别猫狗的图像中，有部分图像标记出猫和狗，还有部分图片没有标记，没有标记的图片对猫狗的识别也是有帮助的
迁移学习（transfer learning）
假设要做猫和狗的分类问题，一样只有少量的有label的data，有另外大量的data可能有label也可能没有label，但是它跟现在要考虑的问题没有什么关系，有一大堆其他动物的图片，它到底可以带来什么样的帮助，这个就是迁移学习要讲的问题
无监督学习（unsupervised learning）
希望机器学到无师自通，在完全没有label的情况下机器可以学到什么东西
结构化学习（Structured Learning）
机器输出的是一个复杂的物件
强化学习（reinforcement learning）
在强化学习中没有告诉机器正确答案是什么，机器拥有的只有一个分数，它只知道它做的好还是不好，但它不知道它哪里做的好还是不好，它要没有正确的答案，是从评价中学习。