一、什么是机器学习（Machine Learning）

通俗讲机器学习就是当你说一句话或输入一张图片，然后通过设计一个机器学习的程序，来让机器进行学习，进而可以识别更多的语音或识别更多的图片。

机器学习的过程可以理解为寻找一个相关Function（）的过程。

二、Farmework框架

Training：

1、首先会有一系列的Function，如f1,f2,f3....，其中包括好的Function也包括不好的Function，通过给定一个输入（Function input），每个Function会对应给出一个输出（Function output）。

2、通过给定training data，来goodness function f

3、选出最好的Function f*(即能够很好地给出结果)

Testing:

通过上面选定的f*,来对新给定的图片或其他进行预测

总结机器学习，就分为3步：a.define a set of function.      b.Goodness of function.    c.Pick the best function.

三、Learning Map

机器学习（1）李宏毅

1、Regression（回归）

a、例如预测PM2.5

通过输入今天上午的PM2.5，昨天上午的PM2.5等数据，进过f函数，进而预测明天上午的PM2.5（scalar 标量）（输出的目标函数f是标量）

2、Classification

a、Binary Classfication(二分类)

 如:spam filtering(垃圾邮件过滤)，将对输入的Training Data  通过Function判断YES/NO

b、Muli-class Classification(多分类)

如：document classification(文件分类)，通过Function分为政治、经济、文化等类

c、Classification-Deep Learning

　　1.Image Recognition

　　2.Play Go:通过Function来确定next move，其中ecah position is a class(19*19 classes)

3、Semi-supervised Learning (Hard to collect a large amount of labelled data)

即半监督学习，例如为了识别猫和狗两种动物，其中给定了一部分有标签数据（Lablled data）,还有一些没有标签的数据（Unlabeled data）即只给定图片，注意：给定的图片全是与猫和狗相关的

4、Tranfer Learning

例如：为了识别猫和狗，可能会给定一些有标签的关于猫和狗的图，同时也会给定其他的一些图片，这些图片可能与猫和狗无关，同时这些图片可以有标签也可以无标签

5、Unsupervised Learning(无监督学习)

Machine Reading:机器通过自己阅读一些文章等学习一个东西的意思，然后可以通过学习到的知识来画一些东西，当然可能不对

Structured Learning-Beyond Classification

机器学习（1）李宏毅

5、Reinforcement Learning

 5.1 Supervised  vs  Reinforcement

   其中监督学习相当于和老师进行学习，会给定标准的答案

  增强学习相当于learning from critics，并不会给定正确与否，只能知道最终是好是坏。然后不断学习（只有来自外界的评价）

 

总结：Supervised Learning

　　　　　　 -----Supervised Learning - Regression

　　　　 　　-----Supervised Learning - Classification

　　　　　　 　　-----Classification-Linear Model 与 Non-Linear Model

　　　　　　 -----Structured Learning

　　    Semi-Supervised Learning

　　　Transfer Learning

　　　Unsupervised Learning

　　    Reinforcement Learning

　　　　　　-----Reinforcement Learning  VS Supervised Learning

机器学习（1）李宏毅

　　　

视频链接：video