前言

人工智慧 AI Artificial Intelligence 希望机器可以跟人一样的聪明

人工智能是我们想要达成的目标，而机器学习是我们想要达成目标的手段，通过机器学习的方式，可以是机器像人一样聪明。

使用hand-crafted rules，会导致你没办法考虑到所有的可能性，即是会出现这样的情景，使用hand-ceafted rules 创造的machine，他永远没有办法超越过创造它的人类。

一、机器学习包括哪些？

所谓machine learning的方向，就是你就写段程序，然后让机器变得聪明了，他能够拥有自己学习的能力。

1. 监督学习 Supervised Learning

监督学习的问题是我们需要大量的training data。
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。

2. 半监督学习 Semi-supervised Learning

那有没有办法减少label需要的量呢?——半监督学习
就是我们在输入训练的数据中有少量的数据是有标签的，当然也还会输入一些没有标签的数据，他可能对于我们的学习有所帮助。

3. 迁移学习 Transfer Learning

另外一个减少data用量的方向是迁移学习

4. 无监督学习 Unsupervised Learning

更加进阶的就是无监督学习，我们希望机器可以学到无师自通。
输入的数据没有任何的标签，让机器去进行学习，学到想要的东西。

6. 监督学习中的结构化学习 Structured Learning

在machine要解的任务上我们讲了Regression、classification，还有一类的问题是structured learning。
structured learning 中让机器输出的是要有结构性的——可探寻的东西很深很多

6. 强化学习 Reinforcement Learning

reinforcement learning是什么呢？
在reinforcement learning里面，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。

二、机器学习需要些什么？

1.先准备一个function set，这个function里面有成千上万的function——model(模型)。
2.然后我们需要准备data，使之可以选择出一个最好的模型。
3.测试data，可以用来验证我们找出来的模型是一个好的模型。

三、机器学习任务有哪些？

1.回归 Regression

我们要做regression时的意思是，machine找到的function，它的输出是一个scalar，这个叫做regression。

2.分类 Classification

在Regression中机器输出的是一个数值，在Classification里面机器输出的是类别。
假设Classification问题分成两种，一种叫做二分类输出的是是或否（Yes or No）——垃圾邮件分类；
另一类叫做多分类（Multi-class），在Multi-class中是让机器做一个选择题，等于是给他数个选项，每个选项都是一个类别，让他从数个类别里选择正确的类别。