机器学习介绍

机器学习隶属于人工智能范畴，说到人工智能，大家可能会想到「让机器像人一样智能」，没错，机器学习是人工智能范畴中的一门学科，机器学习下面有很多类别，深度学习也是其中的一个领域。 这三者的关系：

人工智能（想要达成的目标）->机器学习（想要达成目标所使用的手段）->深度学习（机器学习的一种方法）

机器需要一个模型，这个模型可以使得未知的输入得到一个「符合预期」的输出。「符合预期」就是所谓的「智能」，那如何得到这个模型呢？这里的模型，按照数学的方法，就是去寻找一种函数，使得函数根据「输入」能够得到理想的「输出」，通过已知的「输入」和「输出」去训练模型，去拟合得到想要的模型。所以简而言之，Machine Learning约等于Looking for a Function，寻找一个拟合好的函数。

比如，输入一段语音讲话，得到其文字内容（语音辨识）；输入一个图像，得到这个图像中的具体事物类别（影像辨识）；告诉机器哪个位置有黑棋和白棋，输出下一步落子的位置等：

那么问题来了，该以什么样的架构去训练一个模型，让它看起来更「智能」？

根据上图，机器学习归结起来有三个步骤：

1. define a set of function
2. goodness of function
3. pick the best function

function set就叫做model模型，有了function set后，要做的事情就是训练，也就是使得训练数据训练出goodness of function，拿图像识别来说，就是我告诉function，我的输入图片是猴子，输出的结果就得是「Monkey」，输入图片是猫咪，输出结果就得是「Cat」，输入图片是小狗，输出结果就得是「Dog」，训练完毕后的function用在测试数据集上，让测试数据作为输入来评判输出结果的准确率，选出最好的模型即可，这就是pick the best function。

李宏机器学习路线：

1. Regression（回归，比如根据以往走势预测未来的某个走势）
2. Classification（二元、多元分类，把某件事或物分类成不同类别，根据类别数可划分为二元、三元、多元等等，比如输入一个新闻，输出分类政治、经济、体育等等不同类别）
   • 线性分类
   • 非线性分类（Deep Learning、SVM支持向量机、决策树、KNN等等）
3. Semi-supervised Learning（元学习，通过少量有标签数据先训练模型，然后让机器学习大量无标签数据）
4. Transfer Learning（给已有模型加上毫不相关的数据，提取其中的可用信息）
5. Unsupervised Learning（希望机器无师自通，在没有标签的情况下，机器如何学习某种特定模型）
6. Structured Learning（机器的输出是个复杂结构，比如输入声音后，输出由中文词汇拼凑而成的语句）
7. Reinforcement Learning（不同于Supervised Learning，需要不断告诉机器这样做不行，让机器自己去纠正自己）