机器学习简介
关于监督学习、半监督学习、无监督学习、迁移学习、强化学习的简单介绍。
机器学习分类
根据函数类型的不同，机器学习可以分很多种方式，最简单的两种机器学习是regression（回归）和classification（分类），它们成为监督学习。
regression是指模型的输出为数值，一般应用于预测。例如：输入和PM2.5相关的feature，该模型就能预测明天的PM2.5。
classification是做选择题，给定一些类别，模型根据输入可以输出对应的类别。例如：分类模型能甄别邮件是否为垃圾邮件。
监督学习的问题是我们需要大量的训练数据集。training data告诉我们要找的function的input和output之间的关系。如果我们在监督学习下进行学习，我们需要告诉机器function的input和output是什么。这个output往往没有办法用很自然的方式取得，需要人工的力量把它标注出来，这些function的output叫做label。
半监督学习使用的数据，一部分有特征和标签，而另一部分只有特征，综合两类数据来生成合适的函数。
迁移学习
无监督学习
强化学习是使用未标记的数据，但是可以通过一些方法知道离正确答案越来越近还是越来越远
机器学习的步骤
第一步：根据domain知识，猜测一个能完成任务的未知函数。
第二步：根据训练资料，定义损失函数，用来衡量函数解和真实情况的差距。
第三步：通过不断优化，找到能使损失最小的参数，也就是使函数解尽可能接近真实情况。
这三步都属于训练过程。最后训练出来的参数能使模型预测最准，将这个模型用于预测没有看过的资料的过程叫做测试，一般testing 的 loss 会比 training 的 loss 高。