春节充电系列：李宏毅2017机器学习课程学习笔记01之简介

【导读】春节将近，在亲友相聚之余也不忘给自己充充电。为此，专知内容组给大家带来了台大李宏毅老师的2017年机器学习课程系列学习笔记。今天我们先来看一下该系列课程的内容简介。从本质上来讲，机器学习可以分为三部分：函数集（也就是model）、评价函数好坏的标准、训练集。该课程中机器学习的大致内容包括：有监督学习、无监督学习、半监督学习、回归、分类、迁移学习、结构化学习、强化学习。今天我们就来总览一下这些技术，并在后续的更新中跟大家一一介绍。

课件网址：

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17_2.html

视频网址：

https://www.bilibili.com/video/av15889450/index_1.html

李宏毅机器学习笔记- Introduction

人工智能目前是非常热门的技术，人工智能在20世纪50年代已经出现，机器学习在20世纪80年代兴起，深度学习最近才火起来，其中人工智能是目标，机器学习是手段，深度学习是机器学习的一部分。

传统的计算机程序可以理解为人类设定好的天生本能，但它永远不会超过创造者

而机器学习则能够从已有的知识中学习到新的知识

其本质是从数据集中学习到一个函数，当你给这个函数一个输入，它就会有一个输出，这个输出就是人类想要的答案。函数f特别复杂，不可能通过人类推算出来，需要机器来学习

机器学习可以简单分为三个部分，第一个是函数集，也称为model，第二个为评价函数好坏的标准，用来选出最好的函数，第三个为训练集，帮助训练想要的函数。

所学习到的函数应该有举一反三的能力，即使训练集中没出现的东西，例如猫的图片，函数也应该给出一个结果。

机器学习的大体框架如下：

Supervised learning中的task和method在其他scenario也同样存在

supervised learning即监督学习，其典型特征为数据集有其标签，例如猫的图片标记着猫，狗的图片标记着狗。

regression即回归，从以往数据中总结经验，输出一个数值，一般用于预测任务，例如pm2.5的预测

Classification

---

classification即分类，分为binary classification和multi-class classification。Binary classification根据输入判断yes或者no，而multi-class classification相当于选择题，从多个类别选出一个答案

binary classification的典型例子为垃圾邮件的分类

multi-class classification的例子为文档分类

以上Supervised learning需要许多数据，我们可以采用别的方法减少数据量

Semi-supervised learning

---

半监督学习中，有许多没有label的数据集，这些没有label数据集对训练很有帮助

 

Transfer learning

---

 

迁移学习讲的一堆不相关的有label或者没label的图片，怎么对训练产生作用。例如炮姐（御坂美琴）的图片对于猫和狗的识别系统肯定不相关

Unsupervised learning

---

 

 无监督学习中的数据集都没有标签，相当于无师自通，只有input，没有output

例如机器可以浏览很多动物图片后然后自己画出一个新的动物图片（当然可能图片很奇怪）

Structured learning

---

Structured learning典型特点是输出有结构性的东西

Regression classification了解的是这个世界，structured learning学习的是世界外的暗黑大陆，有很多问题人们没有探究

Reinforcement learning

---

增强学习典型特征是从评价中学习，并不告诉机器怎么做，而是告诉机器这样做的对不对

典型的应用就是alpha go

最后总结一下机器学习大体框架

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

• 后台回复“LHY2017” 就可以获取 2017年李宏毅中文机器学习课程下载链接~

-END-

专 · 知

人工智能领域主题知识资料查看获取：【专知荟萃】人工智能领域26个主题知识资料全集（入门/进阶/论文/综述/视频/专家等）

同时欢迎各位用户进行专知投稿，详情请点击：

【诚邀】专知诚挚邀请各位专业者加入AI创作者计划！了解使用专知！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请扫一扫如下二维码关注我们的公众号，获取人工智能的专业知识！

请加专知小助手微信（Rancho_Fang），加入专知主题人工智能群交流！

点击“阅读原文”，使用专知！