机器学习入门

在此就不介绍机器学习的概念了。

Learning Map（学习导图）

先来看一张李宏毅大大的总图↓

鉴于看起来不是很直观，我“照虎画猫”做了一个思维导图如下：

理论上Supervised Learning分支下的内容都可以放在其他Learning Map大类下。

Supervised Learning

所谓监督学习，就是我们告诉机器说，当这个function看到某种input则输出a，看到另一种input输出b，等等等等。

【Supervised Learning 之 Regression】

Regresion： The output of the target founction f is ‘scalar’

如果我们在机器学习中要找的function输出是数值，举个例子： 预测PM2.5进行天气预报。

核心思想就是：连续函数下进行预测。

【Supervised Learning 之 Classification】

分类问题有两种可能：

Binary Classification 输出是或否；

Multi-class Classification输出多个类型。

举个例子：

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： DocumentClassification（文件分类），将文件分为政治、经济、体育等多个大类。

【Classification 之 Linear Model 与 Non-Linear Model】

Linear Model :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 :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。

Classification-Image Recognition：输入一个图片，通过一个很复杂的卷积神经网络（CNN）的Function判断是猫是狗还是猴子，每个可能的物种是class。

Classification-Playing Go：输入棋盘上的局势，判断下一个落子的位置，每一个可能的落子位置就是一个class。

【Structuerd Learning】

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。

Semi-supervised Learning

Example：

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。

Transfer Learning

Example：

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。

Unsupervised Learning

Example 1：

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。

我们知道，做machine Learning就是要找一个function。比如在学会阅读这个系统里，我们给系统input一个“apple”词汇，然后让机器看懂。在Unsupervised Learning 中没有人告诉机器每个词汇表示什么意思，只有大量text喂给机器。

Example 2：

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。

Reinforcement Learning

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。

增强学习的一个非常知名的应用就是 google 阿法狗。

【Reinforcement Learning VS Supervised】

增强学习与监督学习有什么区别呢？

用一个语音识别的例子来解释：

Supervised 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。

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。

另一个例子，下围棋。

supervised：

给机器一堆棋谱，告诉机器，情况a则落子在“5-5”处，情况b则落子在……

Reinforcement Learning:

让机器自己下棋，下过几百手之后，机器只知道自己赢了还是输了，下的好还是不好，机器必须自己想办法做提高。

Alpha Go is supervised learning + reinforcement learning.

学习导图总结

有一个非常重要的信息是每一个框的颜色。

蓝色部分代表scenario，意思是你现在有什么类型的 training data。

红色部分代表task，意思是现在function的output是什么，只体现在supervised中，但其实可以插在以上五种Learning的每一种内。

绿色部分代表Method方法模型，比如在Classification中有Linear模型 or Non-linear模型，我们可以将绿色部分插入任何红色部分中。

希望对大家的理解有帮助~欢迎大家指错交流！

本文来自：https://blog.csdn.net/soulmeetliang/article/details/72591054