P1：introduction of machine learning
1：人工智能，机器学习，深度学习的关系是什么？
人工智能是目标，机器学习是手段，深度学习是机器学习其中一种方法。
2：生物行为来源有两种：先天拥有，后天学习。
3：人工智能中，由工程师先天设定好的行为被称为hand-crafted rules。
4：hand-crafted rules的弊端在于，无法超越设计者本身的思维，需要建立大量规则。
5：machine learning ≈ look for a function from data（理解：从大量数据中总结方法）
6：机器学习框架分为training和testing。
学习部分：准备一个model（a set of function），准备训练数据（training data），经过学习，找出最好的function。
测试部分：找未曾训练过的数据，输入后，能得到正确输出。
7：supervise learning——>在训练数据（training data）中，告诉机器某个输入所对应的正确输出。
8：机器学习的三个步骤：定义一个model，能够判断方法好或者不好，能够从model中挑选出最好的方法。
9：regression（回归）：通过function得到的输出是一个数值。
10：classification（分类）：分为binary classification ，输出是或否（yes or no）。
和multi-class classification，从很多类别中，学着正确的类别。
11：regression和classification的区别：输出类型。
12：model分为linear model 和non-linear model。
13：9~12概念的关系图：
14：label——>在supervised learning中，function的output被称为label。
15：label需要进行大量标记。
16：减少label使用的方法有：
semi-supervised learning，一部分data有label，一部分没有。
transfer learning，一部分有label，另一部分data与function不相关。
unsupervised learning，所有data均没有label。
reinforcement learning，没有指导，根据结果评分。
17：还有一种supervised learning：structured learning。输出结构性的对象。
18：终极总结：scenario 应用场景 task 要解的问题 method 方法
P2：why we need to learn machine learning?
朝AI训练师迈进
