专栏介绍：本栏目为 “2021秋季中国科学院大学周晓飞老师的机器学习” 课程记录，不仅仅是课程笔记噢～ 每周上两小节课，每周更新两篇博客，如果感兴趣的话，就和我一起入门NLP吧🥰
第【1】课：绪论?
在本节课中，老师介绍了机器学习的背景，学科特点，应用领域等等问题，在此处不赘述，直接总结了第一节课的重点内容。
目录
机器学习的一般过程?
?
?上图是一个简单的例子，用以说明机器学习的一般过程，主要有一下重点：
- 有一个数据库存储训练数据，每一行代表一个训练数据，并且有一个lable对该数据进行标记
- 用这些数据训练一个机器学习的模型，这个模型有可能是决策树，神经网络或向量机等等
- 将一组没有lable的数据输入到训练好的模型中，期待该模型为这组新数据添加lable
监督学习（Supervised learning）
概念
1.训练数据：数据和这些数据一一对应的标签
?
2.目标：训练一个智能算法，新的输入数据映射到标签
?
监督学习的两类问题
1.分类问题（classification）
当标签y是离散的数据时，为分类问题，举例：
?
2.回归问题（regression）
当标签y是连续的数据时，为回归问题，举例：
?
??
无监督学习（Unsupervised learning）
概念
1.训练数据：已知数据不知道任何标签
?
2.目标：按照一定的偏好，训练一个智能算法，将所有的数据映射到多个不同标签。无监督学习是一类比较困难的问题，所谓的按照一定的偏好，是比如高于某个高度，等人们认为属于一类的事物应具有的一些特点
?
无监督学习的两类问题
1.聚类（clustering）
????????将具有某些相似性的数据聚集在一起即聚类问题，一个难点在于其难以找到一个聚类问题的评价指标。比如对下面这个数据集进行聚类，可以按照颜色，形状，大小等指标分成不同的类别，并不能指出哪一种方法是更好的分类
?
?
?
?
?????????也正是因为这个问题，目前做聚类的研究比较少，一般只会作为监督学期的前期任务
?2.密估计（density estimation）
老师在此处直接略过了，查了很久没有查到一个合适的解释，此处就不展开了，在后面的课程中学到了再细说
强化学习（Reinforcement learning）
1. 训练数据：只有数据，没有标签
2. 目标：模型会反馈一个critic来评价训练结果的好坏，通过这个critic来调整映射关系，直到达到最强的效果。
?
?总结：智能算法在没有人为指导的情况下，通过不断的与环境交互，运用环境给予的反馈来优化x-y的对应关系提升任务性能的过程。
机器学习建模过程
??
1. 数据准备
2. 模型选择
? ? ? ? 选择一个或者一系列模型
? ? ? ? 选择一个误差函数
3.? 学习/训练
? ? ? ? 找到能够最优化误差函数的模型参数
4. 应用
? ? ? ? 应用训练好的模型去预测新的输入
下一课：
