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

file

注：本套课程来自李宏毅老师(需要的可以自行寻找),本人只记录学习笔记！