前言

本文記錄了關(guān)于機(jī)器學(xué)習(xí)的基本介紹，機(jī)器學(xué)習(xí)的一個基本的框架以及機(jī)器學(xué)習(xí)的相關(guān)技術(shù)，并且本文是基于臺灣李宏毅機(jī)器學(xué)習(xí)課程的基礎(chǔ)上所做的筆記。

一、機(jī)器學(xué)習(xí)介紹

• 機(jī)器學(xué)習(xí)是什么

機(jī)器學(xué)習(xí)的本質(zhì)其實(shí)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(jī)器學(xué)習(xí)的總體過程

機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)的分類

• 機(jī)器學(xué)習(xí)總體分為以下幾大類

機(jī)器學(xué)習(xí)可分為：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)，當(dāng)然這是個人認(rèn)為僅僅代表個人觀點(diǎn)；其中深度學(xué)習(xí)事實(shí)上是本事屬于機(jī)器學(xué)習(xí)的內(nèi)容，只不過深度學(xué)習(xí)在后來的研究中專門拿出來另起爐灶，深度學(xué)習(xí)的前身就是機(jī)器學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)，當(dāng)然個人認(rèn)為目前大多數(shù)的深度學(xué)習(xí)都屬于監(jiān)督學(xué)習(xí)的范疇，大都建立在大數(shù)據(jù)集的基礎(chǔ)上。

• 監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)的官方一點(diǎn)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(guān)系，根據(jù)這種已知的關(guān)系，訓(xùn)練得到一個最優(yōu)的模型。也就是說，在監(jiān)督學(xué)習(xí)中訓(xùn)練數(shù)據(jù)既有特征(feature)又有標(biāo)簽(label)，通過訓(xùn)練，讓機(jī)器可以自己找到特征和標(biāo)簽之間的聯(lián)系，在面對只有特征沒有標(biāo)簽的數(shù)據(jù)時，可以判斷出標(biāo)簽。通俗一點(diǎn)講就是，我們在不斷地教機(jī)器做事。監(jiān)督學(xué)習(xí)大體也可以分為回歸和分類兩大類型，這兩個的任務(wù)基本上也都是建立在大數(shù)據(jù)的基礎(chǔ)上，比如回歸任務(wù)中的房價預(yù)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(jìn)行預(yù)測；在分類任務(wù)中對圖像內(nèi)容進(jìn)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(jìn)行一個分類。

• 無監(jiān)督學(xué)習(xí)

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

• 半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)就是給定兩類數(shù)據(jù)集一類是有標(biāo)注的數(shù)據(jù)另一類是無標(biāo)注的數(shù)據(jù)，因?yàn)樵诂F(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(biāo)注也不可能全是無標(biāo)注，因此半監(jiān)督學(xué)習(xí)就是監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的一種融合，在做訓(xùn)練的時候通過有標(biāo)注數(shù)據(jù)來輔助無標(biāo)注數(shù)據(jù)的擬合或者訓(xùn)練。

• 遷移學(xué)習(xí)

遷移學(xué)習(xí)就是把已訓(xùn)練好的模型（預(yù)訓(xùn)練模型）參數(shù)遷移到新的模型來幫助新模型訓(xùn)練。考慮到大部分?jǐn)?shù)據(jù)或任務(wù)都是存在相關(guān)性的，所以通過遷移學(xué)習(xí)我們可以將已經(jīng)學(xué)到的模型參數(shù)（也可理解為模型學(xué)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(xué)習(xí)效率不用像大多數(shù)網(wǎng)絡(luò)那樣從零學(xué)習(xí)。

• 強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)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(qiáng)化學(xué)習(xí)，強(qiáng)化學(xué)習(xí)和監(jiān)督、非監(jiān)督不同，強(qiáng)化學(xué)習(xí)沒有所謂的標(biāo)注，有的是獎勵和懲罰，也可以看作是分?jǐn)?shù)，給機(jī)器數(shù)據(jù)讓機(jī)器走，如果做的好就獎勵或者分?jǐn)?shù)更高，做不好就懲罰分?jǐn)?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。