【机器学习】概述

1. 机器学习三步骤

1. 定义一个模型 (Define a set of function)

   • 选择一组合适的函数来表示模型。

2. 评估模型好坏 (Goodness of function)

   • 找到一个损失函数，用来评价模型的性能。

3. 选择最佳函数 (Pick the best function)

   • 在模型中选择一个最终的函数，优化其性能。

2. 机器学习图谱

2.1 任务类型 (Task)

• 回归问题 (Regression)

  • 输出为数值，是对连续变量的预测。

• 分类问题 (Classification)

  • 输出为类别，是对离散变量的预测。

• 结构化问题 (Structured Prediction)

  • 机器输出的是具有结构性的结果，如语音识别、机器翻译、人脸识别等。

2.2 模型选择 (Methods)

• 线性模型 (Linear Models)

• 非线性模型 (Non-linear Models)

  • DNN / CNN (深度神经网络/卷积神经网络)
  • SVM (支持向量机)
  • 决策树 (Decision Trees)
  • K-NN (K近邻)

• 同样的问题可以使用不同的模型进行解决。

2.3 学习场景 (Scenario)

• 监督学习 (Supervised Learning)

  • 数据是有标注的，每个样本都对应一个标签。

• 半监督学习 (Semi-supervised Learning)

  • 数据是部分有标注和部分无标注的。

• 无监督学习 (Unsupervised Learning)

  • 数据是无标注的，主要关注特征提取而非标签，如聚类、降维等。

• 迁移学习 (Transfer Learning)

  • 数据来自不同的类别，有时有标注有时无标注，通过迁移知识进行学习。

• 强化学习 (Reinforcement Learning)

  • 机器通过与环境交互获得反馈（奖励/惩罚），如AlphaGo，并基于这些反馈调整策略。