[人工智能]Datawhale7月学习——李宏毅深度学习：机器学习介绍

1 机器学习介绍

1.1 基本概念

1.1.1 人工智能，机器学习和深度学习

ppt里头的这张图概括了三者的包含关系。

人工智慧是我们想要达成的目标，而机器学习是想要达成目标的手段，希望机器通过学习方式，他跟人一样聪明。而深度学习和机器学习有什么关系呢？深度学习就是机器学习的其中一种方法。

1.1.2 机器学习的本质

机器学习的本质是，寻找一个function，这个function可以使得在面对新的没有见过的数据时，依然可以解决问题。

Machine Learning = Looking for a function

机器学习的过程，就有点像是找一个最好的function的过程

而机器学习的实现，可以概括如下图

即分为training学习，testing测试，而traing这个过程则是分为寻找一个function，确定function的评价指标，还有让machine自动挑出好的function。
下面这个比喻很形象：

机器学习其实只有三个步骤，这三个步骤简化了整个process。可以类比为：把大象放进冰箱。我们把大象塞进冰箱，其实也是三个步骤：把门打开；象塞进去；后把门关起来，然后就结束了。所以说，机器学习三个步骤，就好像是说把大象放进冰箱，也只需要三个步骤。

1.2 机器学习的大框架

如下图，李宏毅对这些任务分别进行了讲解：

1. 监督学习：一般分为regression回归和classification分类
   
   
   需要大量数据，及他们的标签。
   所谓的深度学习，其实是一种解决此类问题的模型。

2. 半监督学习：部分数据无标签
   

3. 迁移学习：本任务只有很少的数据有标签，试图利用别的有标签的任务
   

4. 无监督学习：完全没有标签
   

5. 结构化学习：（监督学习的一种）指的是，学习有结构的数据，这是一个很重要的发展方向。比如自然语言处理等，这个要求输出的数据是有结构的，这与一般的回归/分类不同
   

6. 强化学习：外加一个评判，让机器自己学（对手一般是另一个机器）
   
   

2 课程实践资料整理

小组讨论后，决定结合一部分实践内容进行学习，于是我把涉及到的可以用于实践的资料结合课程进度整理如下：

1. Task02：回归

   1. 使用numpy实现一个回归问题（跟着教程自己实现一遍）
   2. 【如果需要】熟悉numpy的使用（来源于吴恩达深度学习练习）

2. Task03：误差和梯度下降

   1. 完成PM2.5预测（教程P9）
   2. 使用numpy实现一个简单神经网络logistic回归模型（来源于吴恩达深度学习作业）

3. Task04：深度学习介绍和反向传播机制

   1. 使用numpy一步步实现神经网络模型（来源于吴恩达深度学习作业）
   2. 在kaggle平台上提交李宏毅机器学习2021的作业task1：回归

4. Task05：网络设计的技巧

   1. 完成李宏毅机器学习2021的作业task2：分类，kaggle链接

5. Task06：卷积神经网络

   1. 完成李宏毅机器学习2021的作业task3：图像分类，数据集

参考阅读

1. 李宏毅机器学习笔记(LeeML-Notes)
2. 李宏毅机器学习课程视频
3. 李宏毅机器学习2021
4. 李宏毅机器学习2021作业整理