[人工智能]李宏毅机器学习笔记：1.机器学习介绍

# Time: 2021.08.23
# 内容：P1~P2

P1: 机器学习介绍

1.1 人工智能、机器学习、深度学习关系

① 什么是人工智能？

>>人工智能像个函数，我们输入一些东西，它能输出它的判断。

• 输入一段语音，他知道你说的是how are you；
• 输入图片，它知道是个猫；
• 输入棋路，它会下 下一步；
• 输入hi 它会回答 hello;

② 三者的关系

人工智能是目标，机器学习是实现的一个方法；深度学习是机器学习中，$f$ 比较复杂的那部分方法；

1.2 实现途径

>>人工智能就是要让机器具有一个能力，我们给它资料，它来找到**最佳的$f^{?}$,也叫最佳的模型。从而实现上面的功能。

【方法】

• 第一个步骤：我们有很多方法 $f$ 都可以实现，这个集合叫function set，也叫模型
• 第二个步骤：我们给它一些训练资料，机器可以根据训练资料判断一个function是好的，还是不好的
• 第三个步骤：机器自动，通过好的算法，挑出test可能最好的function

• $f_1$好于$f_2$
• 可能function set里这两张照片非常多的结果都同f1一样，但别的猫照片是但$f_1$可能识别不出来了。换句话说就是f1不一定是最好的$f^{?}$的

1.3 实现方法

# 这部分理解的还不是很透彻，后期会补充和修改

>> 监督(supervised)=标签(label)，是否有监督，就是输入数据(input)是否有标签，监督学习有标签的学习， 无监督学习没标签则的学习 。半监督学习，就是一半(一点点）数据有标签，一半(极其巨大）数据没标签。

① 监督学习（supervised learning）

>>训练数据是有标签的，训练目标是能够给测试数据正确标签的。

• 回归（Regression）

  > label是数值

  

• 分类（Classification）

  > label是分类 ：二分类和多分类

  二分类：是不是垃圾邮件
  
  多分类： 文章分类系统
  

② 无监督学习（Unsupervised learning）

>> 无监督学习常常被用于数据挖掘，用于在大量无标签数据中发现些什么。它的训练数据是无标签的，训练目标是能对观察值进行分类或者区分等。

非监督性学习是只给特征，没有给标签，就是高考前的一些模拟试卷，是没有标准答案的，也就是没有参照是对还是错，但是我们还是可以根据这些问题之间的联系将语文、数学、英语分开。

经典的算法：k-聚类、主成分分析等；

③ 半监督学习

>> 少量有label,大多数无labled的训练模型，两者相结合的一种学习方法；

④ 迁移学习

>> 假设我们要做猫和狗的分类问题，只有少量的有label的data，大量没有label照片，其中很多别的动物照片，那么这些动物对分类有什么帮助，这种$f$学习过程叫迁移学习。

⑤ 强化学习（reinforcement learning）

我们没有告诉机器正确的答案是什么，机器所拥有的只有一个分数，就是他做的好还是不好。通过不断的训练 它自己不断的调整。

机器跟对手互下，机器会不断的下棋，最后赢了，机器就会知道下的不错，但是究竟是哪里可以使它赢，它其实是不知道的。不断地下棋，有时候会输会调整f,是的f胜率越来越高。

我们知道Alpha Go其实是用监督学习加上reinforcement learning去学习的。先用棋谱做监督学习，然后在做reinforcement learning，但是reinforcement learning需要一个对手，如果使用人当对手就会很让费时间，所以机器的对手是另外一个机器。

1.4 总结

P2: 我们为什么需要学习机器学习

>> 为机器挑选合适的model和loss function。不同的model和loss function适合解决不同的问题。