李宏毅机器学习之机器学习介绍（一）

1、人工智能、机器学习、深度学习三者之间的关系

2、什么是机器学习

3、机器学习相关技术

1、人工智能、机器学习、深度学习三者之间的关系

人工智能：设计众多领域，如自然语言处理NLP，语音识别，图像识别等，这也是人类最终想要实现的目标；
机器学习：顾名思义，就是如何让机器具有学习的能力，是如何实现人工智能要采取的手段；
深度学习：指自动将简单的特征组合成更复杂的特征，并用这些特征来解决问题。

综上，三者之间存在的包含关系，可以用下图来表示：

2、什么是机器学习？

先举4个例子，看机器学习最终想要达到的效果：

语音识别：向程序输入一段音频，利用训练得到的最优的函数进行测试，结果可以正确的输出音频中的内容；
图像分类：向程序输入一张图片，利用训练得到的最优的函数进行测试，结果可以输出正确的分类；
下围棋：向程序输入一个19 * 19 的棋盘，哪些是黑子，哪些是白子，程序会输出下一步应该下在哪里；
对话系统：使用者说一句话，系统会做出相应的回复；

具体来说，机器学习可以看做是找函数的过程，机器学习可以分为两部分：训练和测试。机器学习的结果如何主要看训练的如何，其核心有3步：

有一个庞大的函数集合Function Set；
在庞大的函数集合Function Set中对各个函数进行训练，机器可以根据训练资料判断一个function是好的，还是不好的。，
最后找到那个可以使结果输出最优的函数 f* ，并用最优的函数 f*进行测试。

3、机器学习相关技术

1）监督学习

适用于有大量的标签的数据，主要有回归、分类、结构化：

回归：给出一些已知的样本，可以对今后的结果做出预测，如预测房价、天气等；
分类
- 二分类：对输入结果做预测，输出0或1
- 多分类：对输入结果做预测，输出类别多，Class1、Class2、Class3......；
结构化

解决问题用到的模型主要有线性和非线性的，基本都是使用非线性的。

经典的算法：支持向量机SVM、线性回归、逻辑回归、随机森林、决策树、朴素贝叶斯

2）半监督学习：一部分是带有标签的样本，一部分是没有标签的样本，利用有标签的样本进行学习，无标签的样本来提升学习的性能；

3）无监督学习：全部样本都不带标签，想做到“无师自通”，主要来揭示数据内在的性质及规律，常用于聚类，

经典的算法：K-Means聚类算法、模糊C均值聚类、谱聚类、主成分分析PCA、自组织映射、受限玻尔兹曼机、流形学习

4）迁移学习：包含有标签的样本和一部分是无标签的样本，其中含有很多不相干的照片，需要区分；

5）强化学习：包括智能体agent、环境、状态、动作。智能体的目标是使用一些策略，做合适的动作，取得最大化的奖励。