kylin

醉里论道,醒时折花。

kylin

李宏毅machine learning学习笔记——导论

前言

最近在学习machine learning相关的知识,李宏毅教授的机器学习课程是一套非常好的入门教材,这里使用的2017年的版本。
课程日历
B站视频

几个概念之间的关系

  • 人工智能
    人们想要达成的目标
  • 机器学习(machine learning)
    达成人工智能的一种手段
  • 深度学习(deep learning)
    机器学习其中的一个方法

几个概念之间的关系

machine learning

machine learning:让机器具有一个能力,这个能力可以根据提供的资料,寻找到一个人们需要的function

machine learning的步骤

以supervise learning为例

  1. 定义一个Model —— define a set of function (f1、f2……)
  2. 准备一些训练资料 Training Data (正确的输入和输出label的集合),使机器具有衡量function好坏的能力 —— goodness of function
  3. 准备一个有效率的演算法寻找Model中最优的funciton(f*) —— pick the best function

机器学习的步骤

learning map

learning map

几种问题(橙色)

  • Regression 回归问题 —— 期望的输出是一个数值(scalar)
  • Classification 预测类别问题 —— 从两个或多个类别中找到输出
    • Binary Classification 二元(yes or no)
    • Multi-class Classification 多元
  • Structured Learning —— 期望的输出是具有结构的

几种Model(绿色)

  • Linear Model 线性模型
  • Non-linear Model 非线性模型
    • Deep Learning 深度学习
  • SVM
  • decision tree
  • K-NN

几种情境

  • Supervised Learning —— 有大量的Training Data
  • Semi-supervised Learning —— 没有大量的具有output(label)的数据、但是有大量与问题有关但没有output(label)的数据
  • transfer Learning —— 没有大量的具有output(label)的数据、但是有大量无关的数据
  • Unsupervised Learning —— model完全不用到任何有label的数据的情境
  • Reinforcement Learning —— 没有正确的答案,机器拥有的只有一个相对的分数,与人类的真实情境较为接近