CHANG maestro de aprendizaje automático notas del curso _ML Lecture 0-1: Introducción de aprendizaje automático

INTRODUCCIÓN:

Recientemente comenzó a aprender "aprendizaje automático", el maestro había oído el nombre de Chang país de la isla, no tiene tiempo para ver sus cursos. Después de escuchar una lección de hoy, me siento muy bien, fácil de entender, pero puede hacerse con la clave, sino también el medio con algunos ejemplos muy interesantes para profundizar en la impresión de los estudiantes.
Enlaces de vídeo (bilibili): CHANG Machine Learning (2017)
Además, los estudiantes se han determinado a hacer la taquigrafía y cambios en github: CHANG máquina de aprendizaje notas (LeeML-Notes)
así, el siguiente registro mis notas sólo algunas de mi propia resumen y conferencias en el momento de confusión, si hay un amigo me puedan ayudar plazca exposiciones.

1, la relación entre la inteligencia artificial, aprendizaje automático, el aprendizaje profundo de

La inteligencia artificial es la meta, el aprendizaje automático es un medio para un fin, y la profundidad del aprendizaje es una forma de lograr el aprendizaje automático.
Humana quiere crear "inteligente", hay dos maneras:

• reglas hechos a mano (reglas artificial preparado): requiere mucho if then, es una ruta abandonada
• Por lo que la máquina puede propio aprendizaje: el plan de estudios es explorar la dirección de
  
  Yann LeCun una vez emitida una caricatura en twitter, la ironía es que muchos de los llamados aspecto fresco AI, de código abierto es en realidad ver una gran cantidad de hechos a mano únicos procedimientos reglas. Esto a su vez recuerda previamente había sido dicho, "con PPT a escribir más a menudo que no la inteligencia artificial, que está escrito en Python." Por lo que parece, no está escrito en Python Seguros ah.
  ### 2, aprendizaje automático es para hacer qué?
  
  ≈ buscan una función de aprendizaje automático (función)
  Esta función se puede determinar en nuestros datos de entrada, después de que más adelante, puede mostrar los resultados que queremos.
  ¿Cómo ### de aprendizaje 3, la máquina?
  
  

¿Cómo encontrar dicha función? Para el reconocimiento de imágenes, por ejemplo, usted quiere encontrar la función correcta, es necesario preparar un conjunto de funciones, este conjunto serie de funciones se denomina modelo (Modelo). Modelo en el que necesitamos es alguna función, como la imagen de arriba f1, porque cuando entras imagen del gato, que puede dar resultados correctos. F2 y, obviamente, no es lo que queremos función. El propósito de la máquina de aprendizaje es encontrar todos los animales reconocen la óptima función f *. Cuando en los datos de entrenamiento, no sólo muestra el (foto) de entrada de datos, sino que también da los resultados de (nombre del animal) que queremos la salida de la máquina, el aprendizaje automático se denomina aprendizaje supervisado. La salida se da en el aprendizaje supervisado es también conocida etiquetas.

4, máquina de paso de aprendizaje

proceso de aprendizaje de la máquina a menudo se divide en tres grandes (como el elefante en el refrigerador):

• Define un conjunto de funciones, o que la selección del modelo
• La máquina puede medir en función de la calidad de
• Por lo que la máquina puede elegir la mejor función

5, el aprendizaje automático de rutas de aprendizaje

Machine Learning dividido (por escena, más y más difícil):

• El aprendizaje supervisado (por tarea):
  1. Regresión (regresión): necesidad es una salida digital (escalar), tales como datos de predicción para mañana de PM2.5
  2. Clasificación (classificasion):
     • problema de clasificación binaria: la necesidad de que la salida es "sí" o "no", tales como correo no deseado discriminación
     • problemas de clasificación multivariante: tales como la clasificación automática de contenido de noticias, son finanzas, deportes, política ......
  3. aprendizaje estructurado (aprendizaje estructura): Al igual que el continente negro, hay muchas cosas que no entendemos, más conocido método - para generar confrontación red GAN
• semi-aprendizaje supervisado: una pequeña cantidad de etiquetas de datos, un gran número de datos no etiquetados
• Transferencia de aprendizaje: además de una serie de datos no etiquetados, hay mucho trabajo por hacer no tiene nada que ver con los datos
• Sin supervisión de aprendizaje: el aprendizaje de datos no etiquetados
• Refuerzo de aprendizaje: la necesidad de aprender mediante la evaluación, el aprendizaje de los críticos, más en línea con el modo de aprendizaje humano

modelo de clasificación que se puede utilizar son:

• modelo lineal: sencilla
• modelo no lineal: dónde pasar gran energía, el modelo no lineal es el modelo de aprendizaje profundo familiarizado más (dividido en los siguientes métodos):
  1. estudio en profundidad
     • Reconocimiento de Imagen: Andrew Ng luego dejar que el uso del ordenador en un estudio a fondo Google identificado el gato
     • Ir: AlphaGo, similar a un (tablero de Go) problema de clasificación 19 * 19
  2. K-NN
  3. Árbol de decisiones
  4. SVM (soporte de la máquina vector)