前言

本文記錄了關于機器學習的基本介紹，機器學習的一個基本的框架以及機器學習的相關技術，并且本文是基于臺灣李宏毅機器學習課程的基礎上所做的筆記。

一、機器學習介紹

• 機器學習是什么

機器學習的本質(zhì)其實就是在尋找一個Function，這個Function可以滿足我們的期望：輸入一個特定的值，輸出我們所需要的，比如在自然語言方面輸入一段語音期望能夠識別出語音的內(nèi)容，在圖像識別方面，輸入圖像期望輸出圖像內(nèi)容的類別等等

• 機器學習的總體過程

機器學習的總體過程可以分為三個部分：第一找到特定的Function；第二衡量Function的性能好壞；第三挑選出最優(yōu)的Function

二、機器學習的分類

• 機器學習總體分為以下幾大類

機器學習可分為：監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習、強化學習、遷移學習，當然這是個人認為僅僅代表個人觀點；其中深度學習事實上是本事屬于機器學習的內(nèi)容，只不過深度學習在后來的研究中專門拿出來另起爐灶，深度學習的前身就是機器學習中的神經(jīng)網(wǎng)絡，當然個人認為目前大多數(shù)的深度學習都屬于監(jiān)督學習的范疇，大都建立在大數(shù)據(jù)集的基礎上。

• 監(jiān)督學習

監(jiān)督學習的官方一點的解釋就是：根據(jù)已有的數(shù)據(jù)集，知道輸入和輸出結(jié)果之間的關系，根據(jù)這種已知的關系，訓練得到一個最優(yōu)的模型。也就是說，在監(jiān)督學習中訓練數(shù)據(jù)既有特征(feature)又有標簽(label)，通過訓練，讓機器可以自己找到特征和標簽之間的聯(lián)系，在面對只有特征沒有標簽的數(shù)據(jù)時，可以判斷出標簽。通俗一點講就是，我們在不斷地教機器做事。監(jiān)督學習大體也可以分為回歸和分類兩大類型，這兩個的任務基本上也都是建立在大數(shù)據(jù)的基礎上，比如回歸任務中的房價預測，得先收集足夠多的過去的房價數(shù)據(jù)才可以對未來的房價進行預測；在分類任務中對圖像內(nèi)容進行二分類或者多分類，同樣是通過收集足夠多的樣本圖像并注明該圖像的內(nèi)容所屬，才可對新的圖像進行一個分類。

• 無監(jiān)督學習

無監(jiān)督學習就是監(jiān)督學習的反例，就是沒有人教，給了他數(shù)據(jù)但是沒有人告訴機器這些數(shù)據(jù)是屬于什么，無監(jiān)督學習更像是在自學不斷地碰壁不斷地總結(jié)規(guī)律。比如機器學習中的經(jīng)典算法聚類算法，KNN，Kmeans等都是屬于無監(jiān)督學習。

• 半監(jiān)督學習

半監(jiān)督學習就是給定兩類數(shù)據(jù)集一類是有標注的數(shù)據(jù)另一類是無標注的數(shù)據(jù)，因為在現(xiàn)如今社會大多數(shù)的數(shù)據(jù)集基本上不可能全是有標注也不可能全是無標注，因此半監(jiān)督學習就是監(jiān)督學習和無監(jiān)督學習的一種融合，在做訓練的時候通過有標注數(shù)據(jù)來輔助無標注數(shù)據(jù)的擬合或者訓練。

• 遷移學習

遷移學習就是把已訓練好的模型（預訓練模型）參數(shù)遷移到新的模型來幫助新模型訓練。考慮到大部分數(shù)據(jù)或任務都是存在相關性的，所以通過遷移學習我們可以將已經(jīng)學到的模型參數(shù)（也可理解為模型學到的知識）通過某種方式來分享給新模型從而加快并優(yōu)化模型的學習效率不用像大多數(shù)網(wǎng)絡那樣從零學習。

• 強化學習

強化學習一個叫很經(jīng)典的例子就是人工智能的圍棋，Alpha Go那樣的人工智能使用的就是強化學習，強化學習和監(jiān)督、非監(jiān)督不同，強化學習沒有所謂的標注，有的是獎勵和懲罰，也可以看作是分數(shù)，給機器數(shù)據(jù)讓機器走，如果做的好就獎勵或者分數(shù)更高，做不好就懲罰分數(shù)更低。

總結(jié)

以上是生活随笔為你收集整理的李宏毅机器学习笔记：机器学习介绍的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。