前言
1.什么是机器学习?
机器学习就是一个机器自动找函式的过程.
函式:即函数,例如给机器一盘棋局现在的棋子分布,它会根据一个函式给出你下一步该怎么走.
f('棋子的分布') -->"next move"
函式的种类:
-
Regression
函式的输出是一个数值
例如有一个函式可以通过近几天的PM2.5浓度推测明天的PM2.5浓度
-
Multi-class Classification
函式的输出是给定的结果中的一个,即作出一种选择.
-
Binary Classification
输出是一个判断结果,yes or no.
是Multi-class Classification的一种特殊情况,只有两个选择.
-
Generation
生成一些具有复杂结构的东西,例如文句,图片.
2.怎么告诉机器想要找的函式?
通过学习.
-
Supervised Learning(监督学习)
例如:给机器一张小猫的图片,让它识别出这是一只"Cat".
于是你需要一些Labeled Data(训练数据),然后机器会给你自动找出Loss最低的函式.(函式的Loss反映了一个函式的好坏程度,即面对Testing Data时的错误率).
-
Unsupervised Learning(无监督学习)
给机器的训练的数据,并没有进行一个标注,让它自行处理这样的一些数据.例如:给机器一些猫猫狗狗的图片,但是却不告诉它每一张到底是"Cat"还是"Dog".
-
Renforcement Learning(强化学习)
让机器自己学习,例如阿尔法狗进行了大量监督学习后(学习了很多人类的棋谱),又进行了强化学习(每天自己和自己高强度对练进行学习),最后形成下棋胜率最高的下棋方法.
first move -> ... ->many moves -> win!(这里的每一个win就是对α狗的奖励)
3.机器怎么找出我们想要的函式?
(后面具体学习)
首先我们要给定函式寻找的范围,给定一个Linear或者说是model,function Set.
然后函式寻找的方法则是通过 Gradient Descent.
4.一些前沿的研究
- Explainable AI :机器会告诉你它作出选择的原因,CNN Required
- Adversarial Network :一些网络上的恶意攻击问题
- Network Conpression :缩小一些Network规模,使其适应更多移动规模
- Unsupervised Learning(Auto-encoder)
- Anomaly Detection:机器辨认不出来就会返回不知道,而不会强行处理
- Tranfer Learning(Domain Adversarial Learning):处理训练数据和测试数据差别很大的问题
- Meta Learning:即Learn to Learn,让机器学习去学习
- Life-long Learning:终身学习,使机器"聪明"一些
- Reinforcement Learning:即强化学习
Comments NOTHING