李宏毅机器学习课程---1、机器学习介绍

一、总结

一句话总结：

实际数据需求：机器学习 根据不同的 实际 数据情况 选择不同的机器学习方法

输入到输出：机器学习本质是一个由输入到输出的过程，就看你的输入给的详细不详细

 

1、机器学习的实质是什么？

Looking for a Function：去满足我们的需求

 

Machine Learning ≈ Looking for a Function

寻找一个函数去满足我们的需求

 

2、机器学习大致的应用方向举例？

Speech Recognition：声音识别

Image Recognition：图像识别

Playing Go：比如下围棋

Dialogue System：智能聊天系统

 

3、机器学习三个步骤？

1、define a set of function

2、goodness of function

3、pick the best function

 

goodness

英 [ˈɡʊdnəs]  美 [ˈɡʊdnəs]

n. 善良，美德；仁慈，慷慨；精华，养分

int. （表示吃惊或愤怒）天哪；上帝的替代语

 

4、机器学习中的regression 是什么意思？

回归学习

Regresion： The output of the target founction f is ‘scalar’. 我们在机器学习中要找的function输出是数值，

核心思想就是：连续函数下进行预测。

 

regression

英 [rɪ'greʃ(ə)n]  美 [rɪ'ɡrɛʃən]

n. 回归；退化；逆行；复原

 

5、机器学习的分类问题中的两种分类是什么？

Binary Classification 输出是或否：判断是否为垃圾邮件

Multi-class Classification输出多个类型：将文件分为政治、经济、体育等多个大类

Binary Classification： Spam filtering（垃圾邮件过滤），判断是垃圾邮件，不是垃圾邮件。

Multi-classification： Document Classification（文件分类），将文件分为政治、经济、体育等多个大类。

 

 

 

6、机器学习中的线性模型和非线性模型是什么（Linear Model 与 Non-Linear Model）？

Linear Model:【能力有限】：能做的事有限，一些简单的模型可以用它来做，但遇到复杂问题就力不从心了。

Non-linear Model:【能做复杂工作：比如图像分类】：For example，现在的深度学习就是一个Non-linear Model，能完成一些很复杂的工作，比如图像分类等。

 

7、机器学习的Non-Linear Model（非线性模型）分为哪四种？

Deep Learning（深度学习）

SVN（支持向量机）

Decision Tree（决策树）

K-NN（临近算法）

 

8、Unsupervised Learning 非监督学习是什么意思？

给非标记数据，让机器自己学习

比如要让机器学会阅读，希望机器自己在网络上爬去很多文章，自己理解其中的意思，进而取得人类的一些理解，掌握阅读的技巧，这就是非监督学习要做的。

 

9、Unsupervised Learning 非监督学习的实例？

要让机器学会阅读：希望机器自己在网络上爬去很多文章，自己理解其中的意思，进而取得人类的一些理解，掌握阅读的技巧，这就是非监督学习要做的。

要让机器学会自主绘画：我们只给机器呈现显示世界中的景象并不做标识，机器要从中提炼绘画风格与内容，学会通过作画表达自己。

 

10、Semi-supervised Learning 半监督学习 是什么？

部分有标签data：利用Unlabeled data优化function，也常用于数据不足时进行学

要建立一个辨识猫与狗的系统，手上有一部分Labelled data（已经标记好的猫狗图片），和一部分Unlabeled data（未做过标记的猫狗图片），那么Semi-supervised Learning做的就是利用Unlabeled data优化function，也常用于数据不足时进行学习。

 

11、Structuerd Learning（结构化学习）是什么？

Beyond Classification：在实际运用中，常常会遇到Beyond Classification的情况，比如语音识别，人脸识别，语言翻译等，是结构化输出。此类问题常配合Reinforcement Learning 解决。

 

12、Transfer Learning（迁移学习）是什么？

利用这些data优化function：另一部分与猫狗没有关系的图片（比如狮子老虎，标未标记都可）

还是建立辨识猫与狗的系统，手上有一部分Labelled data（已经标记好的猫狗图片），和另一部分与猫狗没有关系的图片（比如狮子老虎，标未标记都可），那么Transfer Learning就是利用这些data优化function。

 

transfer

英 [træns'fɜː; trɑːns-; -nz-]  美 [træns'fɝ]

v. 转让；转接；

 

13、Reinforcement Learning（增强学习）是什么？

解决超出分类的情况：会遇到Beyond Classification的情况，比如语音识别，人脸识别，语言翻译等

在实际运用中，以上方法并不能解决全部问题，常常会遇到Beyond Classification的情况，比如语音识别，人脸识别，语言翻译等，那么就要通过增强学习来解决问题。

 

reinforcement

英 [riːɪn'fɔːsm(ə)nt]  美 [,riɪn'fɔrsmənt]

n. 加固；增援；援军；加强

 

14、增强学习（Reinforcement Learning）的一个实例？

google 阿法狗：增强学习的一个非常知名的应用就是 google 阿法狗。

 

15、机器学习 主要解决的是哪三个问题（task）？

Regression（回归问题）

Classification（分类问题）：比如判断图片是猫还是是狗

Structured Learning（结构化问题）

 

16、增强学习与监督学习有什么区别呢（Reinforcement Learning VS Supervised）？

Supervised：手把手教会机器：就像给了机器一个点读机，他听到一句话时可以看到其含义，每一句话都有标签，就像有一个手把手教他的老师。

Reinforcement Learning：机器唯一可以知道的就是他做的好还是不好

 

而Reinforcement Learning 就像跟女朋友对话，反复讲来回讲很多句话，直到女朋友觉得你无言以对愤然离去，机器唯一可以知道的就是他做的好还是不好，除此之外没有任何information。而这更像人类现实生活中的学习过程，必须自己像哪里做得好做得不够好，怎么修正。

 

17、机器学习的学习方式（比如监督学习，比如增强学习）我们是依据什么来选的？

根据实际情况：比如没有那么多数据，那就可以选 半监督学习，没有那么多标记数据，可以选增强学习啊

能做监督学习肯定就做监督学习了，比如标记数据够的情况，

 

18、什么数据情况下选择什么样的机器学习方式？

部分有标签data：Semi-supervised Learning   

无标签data：Unsupervised Learning  

一堆不相干data：Transfer Learning  

只有来自外界的评价：Reinforcement Learning 

有标签data：Supervised Learning

 

 

 

二、内容在总结中